以下内容转载自微信公众号“TAML力学快报英文”原文链接https://mp.weixin.qq.com/s/AOCjm7fiV3RQTzmOlWObjgTheoretical and Applied Mechanics Letters大语言模型的快速发展引起了广泛关注尤其在科学计算领域。计算流体力学问题复杂多样既有成熟数值方法可解决的常规问题也有需新方法或创新突破的难题。本研究聚焦于评估推理型模型(DeepSeek R1和OpenAI o3-mini-high)和非推理型模型(DeepSeek V3和ChatGPT 4o)在计算流体力学领域的三种能力利用知识、学习知识和创造知识。图片来自 Elsevier研究亮点本文提出三类基准问题用于系统评估大语言模型LLM在计算流体力学CFD中对知识的利用、学习与创造能力。具体包括传统计算流体力学问题可利用大语言模型知识中已有数值方法求解如顶盖驱动方腔流动与Sod激波管问题。需引入新方法求解的问题例如求解奇异摄动对流-扩散方程所需的钱氏物理信息神经网络Chien-PINN。需方法创新的难题如病态的Hilbert线性代数方程组经典方法无法有效求解。评估结果表明推理型模型在CFD问题求解中明显优于非推理型模型展现出较强的专业适应性。然而其在自主探索与方法创新方面仍存在明显局限。研究进展本研究通过三类基准问题对比了推理型和非推理型大语言模型的三种能力:(1)利用已有知识的能力: 要求大语言模型求解CFD中经典的顶盖驱动方腔流动和Sod激波管问题。推理型模型能够给出有效的解非推理型却无法给出可运行的程序。(2)学习新知识的能力要求大语言模型学习新近提出的Chien-PINN方法并求解边界层型奇异摄动问题。推理型和非推理型大语言模型都能给出Chien-PINN的可运行程序但是只有DeepSeek R1给出了接近参考解的结果其它模型的结果与参考解相差明显。这是因为DeepSeek R1正确地设置了边界层的位置和厚度OpenAI o3-mini-high只正确地设置了边界层的位置而非推理模型无法正确地设置这两种参数。(3)创造新知识的能力要求大语言模型尝试求解病态的Hilbert线性代数方程组。所有模型均无法有效求解该问题。其中DeepSeek R1的思考过程指出了经典方法失效的原因并估计了高阶Hilbert矩阵的条件数的量级探讨了可能的解决策略但是遗憾的是并没有使用这些策略。研究结论本研究通过三类CFD问题评估大语言模型的科学计算能力。(1) 推理型模型DeepSeek R1和OpenAI o3-mini-high在经典CFD问题如顶盖驱动方腔流动、Sod激波管问题中显著优于非推理型模型DeepSeek V3和ChatGPT 4o能生成有效求解代码而非推理模型的代码常产生致命错误。(2) 对于需学习新方法求解的问题如使用Chien-PINN求解边界层型奇异摄动对流-扩散方程推理模型通过分析方程准确设置边界层参数将相对L2范数误差控制在2%以内远超非推理模型50%的误差水平。(3) 然而面对高度病态的Hilbert线性代数方程组所有模型均无法有效求解但DeepSeek R1能深入分析Hilbert矩阵的条件数并探索可能的改进方案为研究者提供新思路。研究结果显示相较于非推理型模型推理型大语言模型在知识的利用、学习及创新方面更具潜力但其自主探索知识的能力仍有待进一步提升。视频导读全文下载Evaluations of Large Language Models in Computational Fluid Dynamics: Leveraging, Learning and Creating KnowledgeLong Wang , Lei Zhang, Guowei Hehttps://www.sciencedirect.com/science/article/pii/S2095034925000297BibTex:article{WANG2025100597,title {Evaluations of Large Language Models in Computational Fluid Dynamics: Leveraging, Learning and Creating Knowledge},journal {Theoretical and Applied Mechanics Letters},pages {100597},year {2025},issn {2095-0349},doi {https://doi.org/10.1016/j.taml.2025.100597},url {https://www.sciencedirect.com/science/article/pii/S2095034925000297},author {Long Wang and Lei Zhang and Guowei He},}作者介绍王笼第一作者中国科学院力学研究所博士研究生。2022年本科毕业于西北工业大学数学与统计学院。张磊共同通讯作者中国科学院力学研究所特别研究助理。博士毕业于北京大学获2021年北京大学优秀博士学位论文。主持了国家自然科学基金青年基金项目。他的研究领域为计算力学数据驱动的有限元和量纲学习方法。何国威共同通讯作者中国科学院院士中国科学院力学研究所研究员。研究领域为湍流计算流体力学和机器学习。