谷歌AI推出了一个新的TensorFlow模拟框架，可以利用TPU计算流体流动
谷歌AI推出了TensorFlow模拟框架，利用TPU计算流体流动
在流体力学中，通过数值技术和算法来研究和解决涉及流体流动和传热行为的问题，被称为计算流体力学（CFD）。它可以应用于各种科学和工业领域。各种学术和工业领域都使用计算流体力学（CFD）。它应用于能源领域中高效风力涡轮机和发电厂的设计，制造业中的混合和化学过程，环境科学中的海洋学和气象预报，土木工程中的结构分析和洪水模拟，以及建筑行业中的节能建筑设计。它还应用于航空航天和汽车工程，以提高空气动力学和发动机性能。
在创建计算算法、物理模型构建和数据分析方面取得的显著进展使得这些能力成为可能。此外，高性能计算（HPC）系统极大地提高了可用性、速度和效率，使得能够进行高保真度的流动模拟，提高分辨率并考虑复杂的物理过程。
为了更好地理解这些现象，湍流的研究在环境和工程流体流动中普遍存在。直接数值模拟（DNS）可以准确地描述不稳定的三维流场，没有任何近似或简化，对于理解这些湍流流动是有用的。虽然吸引人，但这样的模拟需要大量的处理能力，以准确地描述各种地理尺度上的流体流动模式。
- 机器人如何做出更好的决策？MIT和斯坦福研究人员推出了Diffusion-CCSP，用于先进的机器人推理和规划
- 用个人机器人使生活更友好
- Adept AI Labs 开源了 Persimmon-8B：一款功能强大的完全许可证开放的语言模型
因此，为了解决这个问题，研究人员开发了一种能够使用TPU计算流体流动的模拟公式。研究人员将其制定为利用TPU硬件设计和TensorFlow软件的尖端进展。他们强调，该框架具有高效的可扩展性，以适应不同的问题规模，从而提高运行时性能。
它使用基于图的TensorFlow作为编程范式。通过数值和分析的研究，特别关注TPU原生单精度浮点算术的影响，对该框架的准确性和性能进行了验证。算法和实现通过典型的二维和三维Taylor-Green涡流模拟进行了验证。
在CFD求解器的开发过程中，经常使用理想化的基准问题，其中许多已纳入了这项研究。湍流分析所需的一个基准是均匀各向同性湍流（一个经典且经过充分研究的流动，其统计特性（如动能）在坐标轴的平移和旋转下保持不变）。研究人员使用了一个包含80亿个点的高分辨率网格。
研究人员调查了模拟湍流流动的能力。为了实现这一点，对两个特定的配置进行了模拟：衰减的均匀各向同性湍流和湍流平面射流。研究人员发现，两个模拟结果与基准答案有很强的统计一致性。
研究人员还采用了四个不同的测试场景，包括二维和三维Taylor-Green涡流流动、衰减的均匀各向同性湍流和湍流平面射流。模拟结果表明，舍入误差不会影响解决方案，表明二阶准确度水平。
