航空航天

流体 / CFD · 翼型 RANS

参数化翼型 RANS 流场数据集，体积小、ML 管线友好，是学习流体代理模型（surrogate）的入门首选。由 NeurIPS 2023 发布，含 1000+ 参数化翼型 RANS 仿真，可直接喂入 DeepONet / FNO / GNN 训练；提供 OpenFOAM / SU2 解算器基线。

CFD 基准 / 多场景

专注计算流体力学（CFD）场景的多物理场数据集，覆盖内流、外流、热对流等典型工程场景，含时序与稳态数据。数据集含内流（管流、腔流）、外流（钝体绕流、翼型）与热对流（瑞利-贝纳尔）多任务，时间序列与稳态快照均覆盖。

CFD/计算流体力学

HuggingFace平台上的计算流体力学（CFD）数据集，聚焦风场相关流体仿真数据，供CFD研究者与工程师使用。数据集为 HF 社区维护的风场相关 CFD 仿真集合，提供 CSV / NetCDF 等多格式下载，适合数据驱动代理模型教学。

CFD/计算流体力学

面向神经PDE求解器的综合基准数据集，包含六个标准任务，覆盖规则网格、结构网格和不规则几何体，用于ICML 2024论文Transolver的统一评估。配套标准化 train/test 切分与基线模型评测脚本，可直接用于学术论文公平对比。

CFD

包含2000个液冷双芯片针鳍冷板的稳态CFD模拟数据及其POD-NN代理模型，配套可复现论文图表的代码，支持热管理系统快速设计与优化。为车规/航空/能源领域的代理模型训练与验证提供标准 CFD 流程。

流体/CFD

GeoPT 论文配套的物理仿真数据集，涵盖气动仿真等5类下游任务，含网格尺寸、变量、训练/测试规模等元数据。

汽车气动 / 大规模 CFD

MIT 发布的超大规模汽车外气动数据集，含 8000 个参数化车型的 CFD 流场、网格与气动系数，是气动代理模型与几何生成设计的主力语料。可作为物理 AI 训练数据生成器与代理模型验证基线，是 CAE 工业链路的常用底层。

气动 / 设计优化求解器

开源 CFD 与伴随（adjoint）求解器，内置气动外形优化能力，广泛用于翼型/整机气动分析与梯度驱动设计，可作为代理模型的高保真对照。可作为物理 AI 训练数据生成器与代理模型验证基线，是 CAE 工业链路的常用底层。

气动设计 / 代理模型

翼型气动性能仿真与代理模型研究，涵盖 NACA 系列翼型的大规模参数化 CFD 数据集与 FNO/DeepONet 代理模型对比。为车规/航空/能源领域的代理模型训练与验证提供标准 CFD 流程。

汽车气动 / 风阻预测

利用高保真 LES 数据训练代理模型，实现汽车风阻系数（Cd）预测的毫秒级评估，支撑汽车外流场数字化与气动优化；并给出代理模型相对 LES 的精度校验方法，形成汽车外气动造型快速迭代的标准方法论。

流体控制 / 湍流减阻

面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。在风洞/等离子体实验装置上验证可重复部署，是 AI 控制真实物理装置的代表性工作。

傅里叶神经算子 / 入门教程

系统学习 Fourier Neural Operator（傅里叶神经算子）从理论到代码实现，适合希望将神经算子用于 PDE 代理模型的工程师与研究者。支持 mesh-invariant 推理，可在训练分辨率之外直接查询，适配工业级多保真度应用。

流体/CFD

提出几何感知各向异性边界修正方法，利用神经算子替代传统CFD求解器处理空气动力学问题，改善边界区域物理行为建模。

流体/CFD

提出 TM4FF 物理约束算子学习框架，融合 Transformer 注意力机制与 Mamba 状态空间模型，实现流场高精度预测与去噪。

流体/CFD

提出周期傅里叶神经映射(p-FNM)框架，通过神经算子对涡轮转子叶片非定常压力分布进行快速预测，适用于叶轮机械气动弹性分析。

流体/CFD

提出周期傅里叶神经映射(p-FNM)框架，用于涡轮机械转子叶片非稳态压力分布和气动弹性载荷预测，降低高保真CFD仿真成本。

流体/CFD

提出基于变分自编码器(VAE)潜空间适配的非侵入式修正方法，利用166组参数化CFD总压损失场数据校正压气机叶栅叶尖间隙流预测偏差。

流体/CFD

提出周期物理信息神经网络（P-PINN）框架，实现参数化周期流的纯物理驱动求解与有限幅生气动弹性响应分析。

前沿论文

提出物理注意力机制，把离散网格投影到可学习的物理状态令牌上做注意力，显著提升 PDE 求解在大规模工业几何上的效率与精度。CGNS 兼容 HF+Zarr 分发，专为工业异构网格场景设计，可与主流 CFD 求解器互操作。