RICOSCo.Ltd.由MasanobuHorie领导的研究小组与筑波大学NaotoMitsume助理教授合作，成功地利用AI实现了对水流和空气流等现象的高精度和高速预测。该技术在准确性和计算时间(在同一台计算机上测量)之间实现了复杂的平衡，这是现有物理模拟和其他人工智能方法无法实现的。论文发表在arXiv预印本服务器上。
物理模拟是预测流动现象的主流方法。但是，在准确性和计算时间之间需要权衡。现象的高精度分析需要较长的计算时间，而简化过程以缩短计算时间会降低预测精度。近年来，对使用称为机器学习的基本AI技术构建预测物理现象的模型进行了广泛的研究。然而，这种方法往往不适用于传统物理模拟所处理的复杂条件下的模拟，并且在可靠性和通用性方面存在问题。
通过结合物理模拟和机器学习，该研究小组实现了一种保证可靠性和通用性的高速预测模型，同时利用机器学习的优势根据现有数据进行预测。该小组通过让模型从预先准备的高精度模拟数据中学习，实现了高速预测，而与传统的物理模拟相比，准确性没有显着降低。此外，这项新开发的技术从理论上证明，预测精度不会下降，而从不同角度观察同一现象时，现有机器学习技术的预测精度会下降。
在流动现象的物理模拟中，对现象给出边界条件，例如考虑“空气进入的开口”和“不允许空气通过的壁”的部分。然而，现有的机器学习技术无法严格考虑这些特定条件。新技术通过制定输入物理条件与机器学习算法处理的抽象高维数据空间中的对应关系，成功地将机器学习算法与严格的边界条件处理相结合。
这是通过将物理模拟的计算方法嵌入机器学习算法来实现的，这是该技术的独特之处。这一次，研究小组成功地展示了机器学习在不失去机器学习优势的情况下，可以具有与传统物理模拟相同的通用性的可能性。
该技术有望通过模拟可能成为设计和制造瓶颈的流动现象来加速评估过程，并提高整个设计和制造过程的效率。这也可能是提高天气预报准确性和提高通风系统效率以防止由飞沫引起的传染病传播的重要一步。