流体混合是许多工业过程和化学反应的重要组成部分。然而，这个过程往往依赖于基于试错的实验，而不是数学优化。虽然湍流混合是有效的，但它不能总是持续，并可能破坏所涉及的材料。为了解决这一问题，来自日本的研究人员现在提出了一种利用机器学习的层流流体混合优化方法，该方法也可以推广到湍流混合。
在许多工业和化学过程中，流体的混合是一个关键的组成部分。例如，药物混合和化学反应可能需要均匀的流体混合。以更少的能量更快地实现这种混合将大大降低相关成本。然而，在现实中，大多数混合过程并没有在数学上得到优化，而是依赖于基于试错的经验方法。湍流混合，即使用湍流混合流体，是一种选择，但存在问题，因为它要么难以维持(如在微混合器中)，要么破坏被混合的材料(如在生物反应器和食品混合器中)。
层流能否实现最佳混合?为了回答这个问题，来自日本的一组研究人员在一项新研究中转向了机器学习。在发表在《科学报告》上的研究中，该团队采用了一种名为“强化学习”(RL)的方法，在这种方法中，智能主体在一个环境中采取行动，以最大化累积奖励(而不是瞬时奖励)。
该研究的通信作者、副教授Masanobu Inubushi解释说:“由于RL最大化了累积奖励，这是一个全局的时间，可以预期它适用于解决有效的流体混合问题，这也是一个全局的时间优化问题。”“我个人坚信，为正确的问题找到正确的算法比盲目地应用机器学习算法更重要。幸运的是，在这项研究中，我们在考虑了它们的物理和数学特性后，成功地将这两个领域(流体混合和强化学习)联系起来。”该研究包括来自大阪大学的研究生小西Mikito和后藤进(Susumu Goto)教授的贡献。
然而，等待他们的是一个主要障碍。虽然RL适用于全局优化问题，但它并不特别适用于涉及高维状态空间的系统，即需要大量变量来描述的系统。不幸的是，流体混合就是这样一个系统。
为了解决这个问题，该团队采用了另一个优化问题公式中使用的方法，该方法使他们能够将流体流动的状态空间维数减至一。简单地说，流体的运动现在只可以用一个参数来描述。
RL算法通常用马尔可夫决策过程(MDP)来表述，这是一个数学框架，用于在结果部分随机和部分由决策者控制的情况下进行决策。利用这种方法，研究团队证明RL在优化流体混合方面是有效的。
Inubushi博士说:“我们针对二维流体混合问题测试了基于rl的算法，发现该算法识别了有效的流动控制，在没有任何先验知识的情况下实现了指数级快速混合。”“这种有效混合的机制可以通过从动力系统理论的角度观察固定点周围的流动来解释。”
RL方法的另一个显著优势是对训练好的混合器进行有效的迁移学习(将获得的知识应用于不同但相关的问题)。在流体混合的背景下，这意味着训练成某个Péclet号(混合过程中平流速率与扩散速率的比率)的混合器可以用来解决另一个Péclet号上的混合问题。这大大减少了训练RL算法的时间和成本。
虽然这些结果令人鼓舞，犬岸博士指出，这仍然是第一步。他说:“仍有许多问题需要解决，例如该方法应用于更真实的流体混合问题，以及改进RL算法及其实现方法。”
虽然二维流体混合肯定不能代表现实世界中的实际混合问题，但这项研究提供了一个有用的起点。此外，虽然它的重点是层流混合，该方法也可以推广到湍流混合。因此，它是多功能的，并有潜力在使用流体混合的各种行业的主要应用。
