2025年11月21日，Matteo Tomasetto、Jan P. Williams、Francesco Braghin、Andrea Manzoni与J. Nathan Kutz等学者在Nature Communications上发表题为《Reduced order modeling with shallow recurrent decoder networks》的研究，提出了一种名为SHRED-ROM的浅层循环解码器降阶建模框架。该工作为计算流体力学（CFD）与人工智能交叉领域提供了一种高效、可泛化的解决方案：在仅依赖少量稀疏传感器时间序列观测的前提下，实现高维时空流场的精准重建，同时显著降低训练与在线推理代价。
这一框架的核心创新在于，它不再依赖传统全阶高保真模拟的完整场数据，而是将高保真离线计算与稀疏观测驱动的轻量在线重建有机结合，形成了适用于数字孪生、实时监测与智能控制的新型计算范式。对于从事CFD模拟、实验流场反演、过程优化及AI驱动工程研究的学者而言，这一成果具有重要的参考价值。
一、传统CFD面临的现实瓶颈
在复杂流体系统中，高维非线性、参数依赖性及混沌特性往往带来双重挑战。一方面，直接数值模拟（DNS）或高精度有限元求解虽能捕捉精细动力学，但计算资源消耗巨大，难以满足在线控制、大规模参数扫描或实时状态估计的需求。另一方面，经典降阶模型（如POD-Galerkin）通常假设参数固定且已知，在面对几何变形、时变参数或强非线性系统时泛化能力有限。
更关键的是，工程实际中常常只能获取有限传感器数据——固定测点、随流漂移的移动探针，甚至仅为实验视频中的局部像素信息。如何从这些稀疏时序观测中可靠地恢复完整流场，成为制约CFD向工程落地转化的核心难题。该论文正是针对这一痛点，构建了一种对传感器位置、参数值及数据来源均具有鲁棒性的新型降阶路线。
二、SHRED-ROM：解码优先的轻量框架
SHRED-ROM的核心在于“时序编码+浅层解码”的解码优先架构。它首先利用长短期记忆网络（LSTM）对长度为L的传感器历史序列进行编码，得到低维潜变量；随后通过一个仅含两层全连接的浅层解码网络（SDN），将潜变量非线性映射回高维状态空间。这种设计避免了传统自编码器中逆映射的数值不稳定性问题。
为进一步降低计算与存储开销，作者在训练前对全阶快照进行压缩：针对不同问题，分别采用POD（主成分分析）、随机SVD或球谐展开等基函数实现数据/物理驱动的降维。随后在压缩空间内完成网络训练，实现极高的压缩比与轻量级训练。例如，在视频流场重建中，原始帧分辨率对应约20万维数据，仅保留100个POD模态即可实现99.95%的压缩，POD自身重建误差控制在11.96%以内。
值得注意的是，该框架对数据来源高度灵活：既适用于高保真PDE模拟（如球面浅水方程、Kuramoto–Sivashinsky混沌系统、三圆柱fluidic pinball流动、绕变形障碍物的非定常Navier–Stokes方程），也支持实验视频数据。无论固定传感器、移动传感器，还是仅知传感器轨迹的场景，均能有效工作。同时，它对参数（物理参数、几何参数甚至时变参数）具有天然的未知性——无需显式输入即可实现跨工况泛化，甚至能反演未知参数。
三、多场景验证：精度、效率与鲁棒性的统一
论文通过五个代表性算例系统验证了SHRED-ROM的有效性，结果显示其在不同流动机制下均表现出一致的优异性能。
在球面浅水方程算例中，使用3个固定高度传感器（时滞L=100）时，液面高度、极向速度和方位速度的重建相对误差分别为3.14%、9.59%和5.90%；即使仅采用1个随流漂移的移动传感器，两个速度分量的误差仍可控制在7.43%和4.80%。这一结果表明，该方法对工程中常见的浮标式观测具有良好适应性。
视频流场重建算例则选取了振荡圆柱尾流涡脱落实验视频（共1077帧）。仅依赖尾迹区随机选取的3个像素点历史序列，SHRED-ROM即可实现测试帧的重建，相对误差为13.17%。更令人印象深刻的是，模型无需任何底层参数输入，即可自动区分对称脱落与交替脱落两种不同流动模式，为实验流场近实时反演提供了新路径。
在参数化流动问题中，三圆柱fluidic pinball算例显示：针对121种不同双传感器布置，大多数配置下重建误差低于10%，对传感器位置不敏感；引入约4%范围的高斯噪声后，单模型误差升至23.34%，但10个模型集成后可降至15.51%。绕变形障碍物流动算例进一步对比了多种基准方法，结果表明SHRED-ROM在重建精度、训练耗时及数据需求上均更具优势。同时，其在线推理时间仅为0.15–0.3秒，且整个训练过程可在笔记本电脑级资源上完成。
此外，作者特别验证了参数估计能力：在绕障碍物流动中，模型可同步反演时变攻角，平均绝对误差仅0.037–0.045 rad。这些结果共同证明：SHRED-ROM在精度、轻量性与泛化能力上实现了良好平衡。
四、工程启示与未来方向
SHRED-ROM的真正价值在于，它为CFD提供了一条切实可行的“轻量化”升级路径：高保真模拟与有限元求解保留在离线阶段，稀疏传感器驱动的低维重建置于在线阶段，从而实现复杂流场的快速状态估计、参数辨识与潜在闭环控制。这一范式特别适用于数字孪生系统、过程监测、多相流装备诊断以及实验PIV数据的稀疏反演，比单纯的端到端黑箱学习更贴近工业实际需求。
当然，该框架当前主要在基准算例与视频数据上完成验证，距离工业级复杂几何、多物理场耦合及强噪声环境仍需进一步拓展。论文讨论部分也指出，未来可融入预测模块、可解释动力学分析及不确定性量化等功能，以提升工程适用性。
开源代码与数据已发布于GitHub（https://github.com/MatteoTomasetto/SHRED-ROM），为研究者复现与扩展提供了便利。总体而言，这一工作标志着流体数值模拟正从“全阶重计算”向“稀疏智能重建”转型，为AI赋能工程计算开辟了新局面。
参考文献 Tomasetto M, Williams J P, Braghin F, et al. Reduced order modeling with shallow recurrent decoder networks[J]. Nature Communications, 2025, 16(1): 10260. DOI: 10.1038/s41467-025-65126-y