重点研究领域
多尺度非平衡流动：机理、理论模型、数值方法和高性能计算平台
自然界和工程领域广泛存在的多尺度非平衡流动输运现象，特别是在极高速、极高温、微纳尺度等极端条件下，比如航天器大气再入和纳米受限空间传质传热。不同时空尺度间的输运过程相互耦合，产生复杂的非平衡流动输运现象，给研究带来了巨大挑战。因此中国科协将“多尺度非平衡流动的输运机理”列为2024 年度十大前沿科学问题。传统的单一尺度研究方法难以支撑对该问题的深入探索，急需多学科融合多尺度研究新范式。针对具有多尺度、多层次、多物理特征的复杂系统，如何准确地描述系统在不同尺度下的行为，并在不同尺度之间实现有效的信息传递和计算，是一个极具挑战性的问题。中心的主要工作重点是多尺度非平衡流动输运机理的理解、建立多尺度多粒子相互作用理论模型，发展具备跨尺度计算能力的高性能数值模拟方法和平台。
在研项目：
§ · 非平衡流动与相变
基于分子气体动理学理论，发展包括相变的非平衡流动统一模型，描述气相、液相与气液界面的非平衡流动。其中相变过程直接由流体分子间的作用势来定量确定，解决了模拟非平衡流动中相变过程的困难。该方法可以广泛应用于开发薄膜蒸发冷却技术等工程研发。
§ · 流动与壁面材料/结构相互作用
研究流动与壁面材料的相互作用机理，其中气体动理学方法用于模拟流体与颗粒的非平衡流动过程，而近场动力学方法用于来描述壁面材料在多场作用下的损伤与破坏。该研究可以帮助预测小行星和飞行器大气再入烧蚀解体过程、风能潮汐能等发电装置的叶片材料表面和结构的破坏。
§ · 颗粒非平衡输运
研究高速流动与多尺度颗粒群耦合作用算法及多相流动机理，发展解析颗粒尺度可压缩流动-动边界耦合方法、介观尺度可压缩流动-点源颗粒群耦合方法。基于可压缩流动多尺度方法，面向高超声速流动、爆炸冲击等工程实际，开展激波-颗粒群作用、多相不稳定性流动机理、多体动态分离等流动机理研究，相关数值方法及流动机理可支撑相关工程实际优化设计。
§ · 高性能数值模拟方法和平台
基于我们在跨尺度计算流体力学方法（DSMC、DVM、CFD、科学机器学习）的积累，开发具有异构并行计算能力的高性能数值模拟平台，实现全流域真实气体流动的高效、高保真预示，并结合近场动力学精确描述飞行器材料与结构热力耦合导致的烧蚀与失效过程。
高端装备性能的高精度预测与优化
超低轨卫星、先进机动飞行器、极紫外光刻机和高性能芯片热管理系统的制造与运行环境普遍存在多尺度非平衡输运及多物理场耦合效应，对高端装备设计与优化提出了关键挑战。以高端装备制造为牵引，基于极端条件下的多尺度、非平衡、强耦合物理过程，提出物理与数据双驱动的跨学科可计算模型，构建高效、高保真流动与多物理场演化数值模拟框架，形成高端制造装备的通用数据库。针对重点高端装备的设计优化，发展适用于高维参数空间的保结构降阶模型与高效多目标优化策略，依托高性能异构算力与人工智能技术赋能，实现涵盖气动、结构、动力学科的高保真度智能控制及状态诊断方法，为高端制造装备的精度提升、长时间服役的精度保持提供有力支撑。
在研项目：
§ · 开发突破极限散热效率的纳米流动蒸发冷却技术
随着人工智能、大数据分析等领域对计算能力的迫切需求，新一代纳米芯片散热技术的研发成为热点。开发极高性能纳米流动蒸发冷却技术，是引领未来更高性能芯片技术和推动社会经济高质量发展的关键。新型冷却技术的创新依赖于对芯片产热、传热和散热机理的深刻理解，传统理论对解释纳米尺度受限空间的耦合输运机理失效，亟需理论突破为极高性能纳米流动蒸发冷却技术奠定基础。
§ · 小行星防御
小行星进入地球大气层后会发生解体，影响碎片轨迹并对后续危害等级产生影响。解体过程中包含着丰富的物理、化学及力学交叉耦合，如极高速进入大气带来的强压缩及气动加热、小行星承受高压高温变形及破碎、高温高压流体渗流入行星缺陷、小行星表面上的两相传热传质等效应。其中行星固体是带有缺陷的各向异性材料、气相与固体存在缺陷孔洞及行星大尺度的热/力耦合。多学科交叉、多物理耦合的特点使得解体过程研究存在不小的难度，目前针对该过程的研究较为初步，主要表现为缺乏精细的数值模拟方法，解体机理尚不明确、解体后的小行星尺寸、速度分布等缺乏可靠的解体模型、大尺度空间内轨迹快速预测评估方法缺乏。
§ · 机器学习
聚焦科学机器学习这一全新研究领域。不同于经典机器学习通过构建分类/回归任务处理离散与局部数据，在科学机器学习中，不同位置的信息有望通过数学建模与物理约束（如微分方程）相互连接。目标是利用深度神经网络作为数值方法中的基础模块，对统一的力学-机器学习模型进行高效求解。控制方程作为粗粒度的物理模型，需保持物理系统具备的关键结构。着眼于机器学习模型的可解释性与鲁棒性，构建具有结构保持特征的建模与计算方法。
§ · 不确定性量化
在流体力学基础研究与技术应用中，随机数据或不成熟的先验知识带来的不确定性往往被视为不可避免的负担。通过采用概率数据科学技术，不确定性也可以转化为宝贵的信息源，并有力地丰富人工智能方法与技术。为了利用这一信息源，我们在明确了几种常见应用场景之间的共同挑战，并促进数学、力学与跨学科研究的成果转化。我们的目标是通过开发不确定性量化领域的工具和方法，从数据中获取更可靠的知识。
