近日，宏碁与复旦大学高瓴人工智慧学院孙浩副教授项目组密切合作，如前所述昇思MindSpore AI构架提出了力学标识符递回传递表达式数学数学模型（Physics-encoded Recurrent Convolutional Neural Network，PeRCNN），该成果已在《大自然》周刊民泽《Nature Machine Intelligence》上刊登，相关标识符已在开放源码街道社区Gitee的MindSpore Flow标识符仓开放源码。
PeRCN相对于力学信息数学数学模型、ConvLSTM、PDE-NET等方式，数学模型普遍化性和抗噪性明显提高，长期逻辑推理准确度提高了10倍以上，在航太、船舶制造、气象预报等应用领域拥有宽广的应用前景。
PDE方程组在对力学系统的可视化中占据着中心地位，但在毒理学、气象大自然科学、力学和生物化学等等应用领域中，很多的下层PDE仍未被完全掘出。
目前，已有的统计数据驱动力的数学模型倚赖大统计数据，这在大多数的大自然科学难题上很难满足，同时还存有如前所述的难题。力学束缚的数学数学模型（PINNs）虽然做到了借助本体论知识去束缚数学模型的训练从而减少对统计数据的依赖，但是PINN如前所述损失表达式的软束缚限制了最终结论的准确度。如何在缺乏有效率统计数据的情形下，得到具有精密、准确性、可如前所述和普遍化性的结论，仍是学术界努力的方向。
PerCNN的数学模型构架
因此，宏碁与孙浩副教授项目组密切合作，借助昇腾AI势不可挡INS13ZD、借力昇思MindSpore AI构架开发了力学编码递回传递表达式数学数学模型，实现了对线性PDE的准确迫近。
PeRCNN数学数学模型强制性标识符力学结构，通过lussin，可以从学习到的数学模型中进一步抽取下层的基础力学学表达式。这让PeRCNN能够作为一项有效率的工具帮助人们从来不完善和高噪音的统计数据中准确可信地发现潜在性的力学规律。
力学、气象、海洋等学科中，存有涡流、喷流等强线性现象，现代值方式的解需要大量计算能力，当前AI已经在航天器边界层、中期预报等难题中展示出极大的发展潜力，PeRCNN具备精密、普遍化科灰藓和抗噪科灰藓等特点，将有望在这些应用领域突破现代计算困局，加速工业模拟和设计，成为AI+系统分析应用领域的新法宝。
