偏微分方程，又稱PDE，通常用于刻劃或描述復雜物理模型用于解決許多物理和工程領域的難題，如流體動力學中的Navier-Stokes方程組、電磁場理論中的Maxwell方程組和量子力學中的Schro?dinger方程等。但高維PDE通常難以求解， 傳統算法在處理高維PDE時將面臨“維度災難”，復雜計算度難以想象。

深度學習，正在成為加速科學計算及其高質量發展的重要推動力，將數據與物理機理相結合，實現加速求解高維PDE，尤其是應用于工業設計仿真等領域涉及的“老大難”：多物理場耦合問題。

利用神經網絡求解高維PDE，突破多項傳統難題

多物理場耦合問題核心難點在于，流體和結構復雜相互作用，會引起動力荷載，進而導致抖振、渦振、馳振、顫振等流致振動，影響結構安全與服役年限。傳統的數值計算需要畫網格，計算量巨大，并且是一個不斷試錯的過程，對高維求解具有維度災難問題。

然而通過神經網絡高維表征建立高維輸入到輸出的函數映射，可以解決維度災難，將一個含有單獨隱藏層的神經網絡結構，給定充分的神經元，這個神經網絡可以以任意精度逼近任意函數。利用深度學習技術求解高維PDE，可以在某些復雜場景解決傳統科學計算所面臨的難度高、時間長、跨尺度模擬等挑戰，實現數據與物理機理相結合的大規模科學研究。

曙光智算&百度飛槳強強聯合 突破傳統受限加速科學計算

在曙光智算AC平臺上，百度飛槳聯合曙光完成了PaddleHelix-PaddleFold的部署，同時針對2D非定常圓柱繞流流場模擬做到了更大的網格數更少監督數據及更長尺度的模擬。

曙光智算AC平臺目前已接入飛槳計算組件，并通過聯合培訓課程，大賽底層支撐（“先導杯“大賽的平臺支撐），讓廣大算力服務用戶獲得更好的飛槳使用體驗，持續優化提升雙方共同打造的行業標桿。