HydroGym: UW-led team unveils RL platform with 60+ fluid dynamics environments in Nature
Researchers from the University of Washington and collaborators introduced HydroGym, a solver-agnostic reinforcement learning platform for fluid dynamics, published as a Nature cover paper. The platform provides 61 validated flow-control environments spanning laminar to turbulent regimes, and demonstrates zero-shot transfer with a 38% drag reduction on a 3D airfoil while cutting exploration cost by four orders of magnitude.
Coverage timeline
机器之心ScienceAI
编辑丨coisini 对流体的有效控制对于交通运输、能源和医学领域至关重要，因为它可以增加升力、减少阻力、增强混合并衰减噪声。先进的流体控制系统能够在全球范围内显著提升能源效率，例如通过主动减阻使航空业的燃料消耗降低多达 15%，通过协同控制使风电场输出提高 4–5%。 然而，流体以难以控制而著称，因其涉及高维、非线性和多尺度的动力学，难以用传统方法应对。 强化学习（RL）近期的突破已在日益复杂的科学应用中展现出变革性能力，但流体动力学缺乏共享基准和标准化环境，因此每个控制器通常只针对单一几何形状和运行条件进行调优，使得进展难以积累、迁移和比较。 为此，来自华盛顿大学、密西根大学等的研究团队提出 HydroGym，一个与求解器无关的强化学习平台，提供 60 多个经过验证、公开可用的流动控制环境，涵盖从经典层流到复杂湍流。研究论文以《The HydroGym reinforcement learning platform for fluid dynamics》为题登上了最新一期《Nature》封面。 论文地址：https://www.nature.com/articles/s41586-026-10917-6 HydroGym 作为一个面向流体控制研究的强化学习平台，HydroGym 建立了领域亟需的基础设施，用于通用环境、接口和算法评估。 具体来说，HydroGym 提供 61 个经过验证的流动控制环境，涵盖从经典层流到先进三维湍流场景，以及跨流态的雷诺数（Reynolds number）递进。 在这些环境中，智能体反复发现稳健的控制原理，包括边界层操控、声学反馈的破坏以及湍流尾迹的重组。 该研究展示了零样本迁移的概念验证，其中完全在廉价替代环境（surrogate environment）中训练的智能体被部署到具有挑战性的现实场景中，如三维翼型段。该研究实现了局部表面摩擦阻力降低 38%，同时与直接在翼型上优化相比，探索成本降低了四个数量级。 值得注意的是，HydroGym 的求解器多样性有助于弥合流体研究中彼此迥异的尺度：集成了基于 Python 的有限元求解器，以便于原型开发；用于大规模流动的，高度并行 GPU 加速的格子玻尔兹曼与有限体积求解器；完全可微求解器，以促进梯度感知学习。 HydroGym 解决了阻碍强化学习变革流体动力学控制的根本瓶颈：在昂贵的
