TesboAI
TesboAI 是我们以研究驱动的产品线，把机器学习、深度学习、物理信息方法与 LLM 智能体应用于计算流体力学——并构建在自研 GPU 原生求解器之上。
把 AI 内建进 CFD 闭环
多数 AI for CFD 工具只是“附着”在求解器旁边，在不同硬件之间来回搬运数据。TesboAI 的思路不同：因为它构建在我们自研的 GPU 原生求解器之上，神经模型可在同一块 GPU 上、求解循环内部完成推理，无需跨设备数据搬运。从离线代理，到物理约束、可微的仿真，我们把 AI 视为求解器的原生组成部分，而非事后附加。
用说话的方式，
把仿真做完
提出问题、追问、改条件、比较方案 —— 一直对话下去。Agent 负责理解与编排，所有数值由我们的 GPU 求解器算出，并须通过校验才会给你结论。
演示重演一次真实会话。所有数值由 GPU 求解器算出并经校验判定；结论中的数字不由 AI 生成。
拿结果说话。
下面每一张图、每一帧都是真实的求解场或预测场。
- 10×
场预测误差下降
场到场超分辨率：相对 L2 从插值基线的 0.1–0.19 降到约 0.01，仅用 25 个样本训练。
- 92.3%
相对插值基线的平均改善
同一次实验在留出集上的平均值。零样本迁移到未见分辨率时，该算子的退化也小于同类 CNN:0.063 对 0.084。
- 1.8×
求解器内推理加速
400 万网格下每次推理调用，模型跑在求解器自己的显存里。跨设备时，这次调用有 45–65% 的时间花在搬数据。
神经算子超分辨率
单个 Fourier Neural Operator（FNO）学习粗到细的整场映射，无需重训即可跨网格分辨率迁移。
与分辨率无关 —— 粗网格训练、细网格推理。
可微物理
把控制方程嵌入训练回路，让模型以尊重物理的方式学习。
数据驱动湍流闭合（TBNN）
从高保真数据中学习湍流闭合，并把物理不变性嵌入模型结构。
基础模型 · 广度决定泛化
模型训练覆盖的工况越广，跨工况的泛化就越好。
SIREN —— 无网格场
POD / POD-NN 降阶模型
Agentic CFD —— LLM 驱动建案
范围：2D 基准流动、研究原型。
AI 只是统称，不是具体方法
我们只把 AI 当作领域名。落到实处，我们在四类不同的方法上工作，并且会明确指出用的是哪一类。
非神经网络的统计与降维方法，如 POD。
深度神经网络——神经算子、坐标网络、张量基闭合、自编码器。
深度学习结合数值方法（伴随、PDE 残差）——独立范畴，并非纯 ML。
做自然语言建案与编排的生成式模型——不是数值模型。
核心能力
设计级推理速度
模型训练完成后，AI 代理以近实时评估为目标，把设计迭代从数小时压缩为可交互的循环。
端到端自动化
从采样到推理与可视化，整条流水线以“无需手工 CFD 设置”为设计目标。
领域定制模型
针对不同应用与物理构建定制模型，使输出在其目标领域内可信、可部署。
物理自洽
把散度为零等物理约束嵌入训练，让预测物理上自洽，而不只是“看起来像”。
从代理模型到可微
我们的工作沿着 AI 与求解器逐层加深的集成方式递进推进。
与传统 CFD 的对比
传统 CFD
- 需要专业领域知识
- 网格生成与求解器设置：数小时到数天
- 设计空间探索成本高昂
AI 辅助 CFD 设计
- 无需手动设置，一键推理
- 单次评估：毫秒到秒级
- 交互式设计周期与即时反馈