对于在流固热传递耦合条件下进行高超音速飞行器热防护系统设计而言，对时变温度场的准确预测至关重要。然而，由于风洞试验成本高昂以及数值模拟所需的大量资源消耗巨大，难以获取足够多的流固热传递耦合数据来进行建模。因此，针对时变温度场的智能预测模型的构建面临着巨大的挑战。本文提出了一种结合时间堆叠和多损失融合的新型时空卷积方法，称为“时间堆叠”（Timestack）。首先，连续的时间序列温度场图像经过了通道

本研究基于低维Galerkin模型，结合数据驱动的格兰杰因果分析(GGC)方法，对Moehlis等人（New J. Phys., vol. 6, 2004, 56）建立的湍流剪切流低维Galerkin模型开展了因果分析研究，揭示了模态间非线性耦合作用的内在机制。从非线性对流引起的二次非线性项出发，研究识别出了两类核心作用机制：三模态相互作用，以及受控的双模态耦合。通过上述两种机制，单一模态的因果影

顺序无关紧要，只在乎哪些积木。

FoamGPT从数据提取、监督微调到通过Foam-Agent智能体框架落地执行，形成了一条完整的技术闭环。研究结果表明，专业领域数据的质量与对齐程度，对提升大模型在CFD任务中的实用能力具有较大影响，在本评测集的对比条件下，其效果更为明显。该工作有望降低CFD仿真对非流体专业研究人员的使用门槛，同时也为科学仿真自动化领域的后续研究提供了可复用的数据与微调代码基础。相关数据集与训练代码已完整开源，供

FoamGPT从数据提取、监督微调到通过Foam-Agent智能体框架落地执行，形成了一条完整的技术闭环。研究结果表明，专业领域数据的质量与对齐程度，对提升大模型在CFD任务中的实用能力具有较大影响，在本评测集的对比条件下，其效果更为明显。该工作有望降低CFD仿真对非流体专业研究人员的使用门槛，同时也为科学仿真自动化领域的后续研究提供了可复用的数据与微调代码基础。相关数据集与训练代码已完整开源，供

在巴黎举行的AI行动峰会上，Meta首席AI科学家Yann LeCun提出一个问题：“什么才是智能的基本构成？这四项能力在LeCun看来，是任何一种具备智能的生命体所共有的基础能力。相比之下，当前主流人工智能系统，尤其是以语言模型为代表的架构，在这些方面仍显不足。这不是他第一次表达类似看法。作为深度学习早期的关键推动者，LeCun一直在强调当前模型能力的局限性。他一直认为，。

虽然基于深度强化学习（DRL）的主动流动控制已经在低雷诺数仿真环境中得到了广泛的验证，但在真实实验条件下进行DRL控制仍存在很大挑战，其中之一便是数据采集和神经网络推理的强实时性（亚ms量级）。本研究提出了一种基于FPGA的高速实验深度强化学习框架（缩写：FeDRL），控制频率最高可10 kHz，比传统基于CPU的框架（100 Hz以下）高出两个数量级。以Mach 2的超音速后台阶流动为例，对Fe

从有限的数据中推断最优解，是材料科学、生物学、控制系统等领域面临的共同难题。人工智能技术为解决这一难题提供了可能，但是现有方法在高维、数据稀缺问题中效果受限。为此，本文通过集成深度神经网络的高维非线性逼近能力和树探索的空间搜索能力，提出了神经网络代理模型引导树探索的主动优化方法。结果表明，该方法在超2000维的数值优化问题中找到全局最优，并在材料、生物、控制等领域中的表现优于现有方法，为解决各种小

鲍蕊，北京航空航天大学教授，博士生导师，北京航空航天大学人力资源部部长，中国航空教育学会副秘书长，常务理事，研究生教育分会总干事。主要研究方向为飞行器结构完整性，担任高速飞行器热强度工信部重点实验室主任、中国航空疲劳与结构完整性委员会副主任委员、航空学会结构强度分会委员、力学学会疲劳专业组成员等学术兼职。鲁嵩嵩（通信作者），北京航空航天大学副教授，长期从事载荷-环境综合作用下的飞机结构损伤演化分析

本研究采用两阶段策略实现三个力学系数的预测。其中，针对阻力系数，提出了一种物理约束混合专家网络PIMoE，以实现其高精度预测。第一阶段：物理约束混合专家网络进行阻力系数预测。PIMoE模型的具体架构如图二(a)所示, 该架构通过门控网络为一组专家网络动态分配权重，最终输出结果为各专家网络输出的加权组合，其表达式为：式中，表示第i个专家网络的输出，表示PIMoE模型的最终预测值，为门控网络输出经so