躲了科学家几十年的流体不稳定奇点，被DeepMind用AI找到了（

1.流体的不稳定性

流体里藏了几十年的隐形奇点，终于被找到了——AI立大功。谷歌DeepMind携手布朗大学、纽约大学和斯坦福大学用物理知情神经网络（PINN） 高精度数值优化的组合拳找到了流体方程里的不稳定奇点。

2.流体不稳定流动时的状态参数有哪几个是变化的

据说，这种奇点非常“挑剔”，初始条件差一点就消失，之前根本找不到，这次被AI发现了下面具体来看AI 高精度计算的组合拳先来说说不稳定奇点为什么难找奇点是啥？ 简单说，就是流体运动的数学方程（比如描述水流、气流的方程）里，原本平滑的解会突然出现。

3.流体运动的不稳定性,是指

无限大的情况，比如速度梯度变得无穷大。这在物理上看起来不可能，但数学上一直没搞清楚这种情况会不会真的发生，尤其是在没有边界的流体（比如开阔的水流）里，这是个超难的数学难题。

4.流体力学不稳定性

△图源：DeepMind之前科学家们找到的奇点大多是稳定的哪怕初始条件稍微变一点，这个奇点还是会出现，比较好捕捉但大家猜测，像无边界的3D欧拉方程、纳维-斯托克斯方程（数学界六大千禧难题之一）里的奇点，应该是。

5.流体失稳

不稳定的这种不稳定奇点非常挑剔，初始条件必须精准到不能再精准，只要有一丁点儿偏差，奇点就不会出现了，所以之前用传统数值方法根本找不到但这次，研究者们搞出了一套新的计算框架，终于系统地找到了这类不稳定奇点。

6.流体做稳定流动时,流体的形状不随时间变化

通过物理知情神经网络（PINN） 高精度数值优化的技术路径，成功在流体运动方程中定位到此前难以捕获的不稳定奇点，这一成果也为非线性流体动力学的研究提供了全新范式。

7.流体稳定流动时流线与流体质点的运动轨迹重合

此次研究聚焦的不稳定奇点，属于非正则奇点范畴，最大的特点是对初始扰动的Lyapunov指数（可以简单理解成初始小差异，随时间变化越来越大）极高即便是微小的初始参数偏差（如流速梯度、压力场分布误差），都会通过方程的非线性项放大，导致奇点在传统数值计算中。

8.流体运动稳定性

湮灭过去，科研人员采用有限元法、有限差分法等传统数值方法求解时，受限于网格离散精度与计算收敛性，始终无法在相空间中锁定这类奇点的稳定存在区域而这次能实现突破，核心在于构建了AI预搜索 高精度优化的双层计算框架。

9.流体做稳定流动时,流线的形状

在第一阶段，研究团队基于物理知情神经网络（PINN）构建预测模型，将纳维-斯托克斯方程的控制方程作为正则化项嵌入网络损失函数，通过梯度下降算法训练模型学习流场的非线性演化规律，快速在高维相空间中圈定奇点可能存在的

10.流体几种不稳定性

吸引子区域，大幅缩小了搜索范围进入第二阶段，团队引入高斯-牛顿优化器与Levenberg-Marquardt算法，对PINN输出的候选区域进行高精度数值修正同时结合贝叶斯优化动态调整，最终在大气边界层流动方程中，成功捕获到。

3个满足Hopf分岔条件的不稳定奇点，并通过特征值分析锁定了第4个候选奇点；

在多孔介质流（流体穿岩石/土壤）的达西-Brinkman方程中，除发现1个稳定的鞍点型奇点外，还识别出3个之前没有报道过的隐藏奇点，这些奇点的存在解释了多孔介质中非达西流现象的局部突变机制更具突破性的是，研究团队基于奇点的拓扑特性与演化速度，推导出。

第n个奇点的失控速度解析公式，为后续奇点搜索提供了明确的理论依据那对于通俗场景来说，这项研究的意义可能在于：预测台风：更准捕捉台风路径里的突变，避免预报偏差；改进飞机：更精准计算气流对机身的阻力，让飞机更省油。

看得出，AI技术已经成为了传统科学研究的超强辅助。论文地址：https://arxiv.org/abs/2509.14185