FLUID-LLM: Learning Computational Fluid Dynamics with Spatiotemporal-aware Large Language Models

传统上，学习计算流体力学（CFD）依赖于计算密集型的Navier-Stokes方程模拟。最近，大型语言模型（LLMs）在自然语言处理（NLP）和计算机视觉（CV）方面表现出了出色的模式识别和推理能力。然而，这些模型在流体动力学中固有的复杂几何形状方面表现不佳。我们介绍了FLUID-LLM，这是一种新颖的框架，将预训练的LLMs与时空感知编码相结合，以预测非稳态流体动力学。我们的方法利用LLMs的时间自回归能力以及空间感知层，弥合了以前CFD预测方法之间的差距。在标准基准测试中的评估显示，我们的方法在各种流体数据集上都有显著的性能提升。我们的结果表明，FLUID-LLM有效地将时空信息整合到预训练的LLMs中，提高了CFD任务的性能。

论文旨在通过结合预训练的大型语言模型和时空感知编码来预测非稳态流体动力学，以解决流体动力学中的复杂几何形状问题。这是一个新问题。

FLUID-LLM框架将预训练的大型语言模型与时空感知编码相结合，利用LLMs的时间自回归能力和空间感知层，弥合了之前CFD预测方法之间的差距。

论文提出的FLUID-LLM框架在标准基准测试中取得了显著的性能提升，还使用了多个流体数据集进行了评估。论文的亮点包括实验设计、数据集使用和代码开源等方面。这篇论文的思路提供了一种新的方法来解决流体动力学中的几何形状问题，并值得深入研究。

最近的相关研究包括使用深度学习方法进行流体动力学建模和预测的研究，例如使用卷积神经网络（CNN）和递归神经网络（RNN）等。相关论文包括：《Deep Fluids: A Generative Network for Parameterized Fluid Simulations》、《Learning Particle Dynamics for Manipulating Rigid Bodies, Deformable Objects, and Fluids》等。