TesboAI
TesboAI 是我们以研究驱动的产品线，把机器学习、深度学习、物理信息方法与 LLM 智能体应用于计算流体力学——并构建在自研 GPU 原生求解器之上。
把 AI 内建进 CFD 闭环
多数 AI for CFD 工具只是“附着”在求解器旁边，在不同硬件之间来回搬运数据。TesboAI 的思路不同：因为它构建在我们自研的 GPU 原生求解器之上，神经模型可在同一块 GPU 上、求解循环内部完成推理，无需跨设备数据搬运。从离线代理，到物理约束、可微的仿真，我们把 AI 视为求解器的原生组成部分，而非事后附加。
AI 只是统称，不是具体方法
我们只把 AI 当作领域名。落到实处，我们在四类不同的方法上工作，并且会明确指出用的是哪一类。
非神经网络的统计与降维方法，如 POD。
深度神经网络——神经算子、坐标网络、张量基闭合、自编码器。
深度学习结合数值方法（伴随、PDE 残差）——独立范畴，并非纯 ML。
做自然语言建案与编排的生成式模型——不是数值模型。
我们在哪些方向推进 AI 与 CFD
按方法类别分组——经典 ML、深度学习、物理信息、LLM/智能体——让用的是哪种技术始终一目了然。
深度学习
把深度神经网络用作快速代理与学习型闭合。
机器学习 / 降阶
统计降维（POD）结合深度学习，得到紧凑、实时的模型。
物理信息 / 可微物理
把控制方程与梯度纳入训练回路的学习。
LLM / 智能体
把生成式 AI 用作环绕求解器的工程师助手。
远期方向：在大量几何与工况上预训练的物理基础模型——这是一条依赖大规模仿真数据的长期路线。
神经算子
神经算子直接学习“解算子”本身，因此在某一分辨率训练的模型可在另一分辨率上推理。我们用它做超分辨率（粗网格到细网格）与快速的场到场代理。
- 粗训练、细推理，分辨率无关
- 场到场超分辨率
- 可泛化到未见过的分辨率
隐式神经表示
隐式神经表示把流场编码为坐标的连续函数，使表示与固定网格解耦。它省内存，且天然适合复杂三维几何。
- 无网格、连续的场表示
- 任意点、任意分辨率采样
- 派生量可解析微分
数据驱动湍流闭合
数据驱动闭合从高保真数据中学习雷诺应力或亚格子项，并把物理不变性嵌入网络结构，让模型学会泛化而非死记。
- 带内建不变性的张量基网络
- 在高保真参考数据上训练
- 以超越基线闭合的精度为目标
降阶模型
降阶模型把完整仿真压缩到紧凑的潜空间并学习潜空间动力学，为重复查询提供近实时、参数化的代理。
- POD 加深度学习潜空间动力学
- 近实时参数化评估
- 面向设计扫描与数字孪生
可微物理 / PINN
让求解器可微，梯度便能穿过仿真本身。由此可针对仿真轨迹训练模型、做物理约束学习，朝端到端可微 CFD 演进。
- 梯度穿过求解过程
- 物理约束的端到端训练
- 后验闭合学习的基础
Agentic CFD
Agentic CFD 把大语言模型与智能体用作工程师助手——不是数值模型。它把自然语言转成结构化算例、驱动求解器、让每个结果都过验证 oracle 把关，并用自然语言解读输出。物理仍由求解器求解；LLM 只负责建案、编排与解释。
- 自然语言完成建案、运行与解读
- 每个结果都经验证 oracle 把关
- 可完全本地 / 离线运行
核心能力
设计级推理速度
模型训练完成后，AI 代理以近实时评估为目标，把设计迭代从数小时压缩为可交互的循环。
端到端自动化
从采样到推理与可视化，整条流水线以“无需手工 CFD 设置”为设计目标。
领域定制模型
针对不同应用与物理构建定制模型，使输出在其目标领域内可信、可部署。
物理自洽
把散度为零等物理约束嵌入训练，让预测物理上自洽，而不只是“看起来像”。
从代理模型到可微
我们的工作沿着 AI 与求解器逐层加深的集成方式递进推进。
设计输入
神经网络
即时结果
与传统 CFD 的对比
传统 CFD
- 需要专业领域知识
- 网格生成与求解器设置：数小时到数天
- 设计空间探索成本高昂
AI 辅助 CFD 设计
- 无需手动设置，一键推理
- 单次评估：毫秒到秒级
- 交互式设计周期与即时反馈