喜讯

  自然界存在形形色色的飞行和游弋生物，如何通过翅膀扑动和身体摆动来获得推动力，背后蕴含着深刻的力学原理。但环绕在运动体周围的水和空气无形无色，如何探究生物或机械结构运动时产生的复杂流动行为呢？研究团队融合多场光学成像、测控系统、数据解析、可视计算以及人工智能等多个方向，形成流场成像与智能学习（Fluid Imaging and Learning Machines，FILM）交叉前沿技术手段，为观测流体介质演化和理解数据背后力学带来新的工程研究视角。

图：粒子测速原理示意图– 光学成像、数据解析、可视计算、人工智能及控制的集成系统

  实验流体科学家引入层析粒子跟踪测速（PTV）实验，借助跟随性强、能够吸收特定波长的荧光示踪粒子，利用示踪粒子在多视角下的投影成像信息重构三维粒子空间分布，再通过跟踪匹配时间序列的示踪粒子，还原流体运动的时空演化信息，以非接触方式实现全局复杂流动现象可视化，让湍流、漩涡等复杂流动结构“现出原形”。 

图：偏振片模拟鱼尾摆动产生的流场（左）、旋翼飞行器仿真产生的流场用于研究地面效应（右）

  长期以来，粒子跟踪测速技术在流动现象的研究中发挥重要作用。但微尺度颗粒视觉差异几乎可忽略不计，且高密度粒子群伴随流体运动时交错混迭，根本无法借助传统的颗粒视觉识别与运动预测手段来建立粒子团运动的时空对应关联关系。因此，如何实现高浓度大规模粒子分布、大动态速度范围等场景中的双帧粒子分布匹配，是粒子跟踪测速领域长期存在的挑战之一。

   针对上述问题，研究团队借助刻画茫茫星空的“星座（Galaxy）”这一个概念，融合图网络和最优传输理论（Optimal Transport是现代数学前沿分支，2010年与2018年两次获菲尔兹奖），解决了湍流可视化大规模示踪粒子群匹配的定量刻画难题，原创性地提出了深度循环神经网络GotFlow3D，从时序三维粒子集合中重构三维流场运动，打造出面向复杂流场观测的普适“数学智能显微镜”。

图：粒子跟踪测速实验与GotFlow3D基本思想

  该方法通过三维粒子空间坐标构造图结构，以静态和动态图神经网络结合的方式学习粒子分布的多尺度特征，并依据最优传输思想挖掘两帧粒子之间的匹配关系。与基准神经网络方法相比，GotFlow3D在不同的测试场景中均获得更高的粒子运动估计精度，同时，GotFlow3D与传统粒子跟踪测速算法结合，能够极大提高复杂场景下粒子跟踪匹配的精度和可靠性。该研究工作所实现的高精度、高浓度粒子运动估计与跟踪测速算法，有助复杂流动现象机理探索和仿生流体机器人设计，为航空、海洋等领域的高端装备研发提供智能流动建模新手段。

图：GotFlow3D实现高精度粒子运动估计并增强粒子跟踪匹配效果

论文链接：https://www.nature.com/articles/s42256-023-00648-y