平台架构¶

NAVIER-CFD 采用分层设计，使数据、模型、训练、评价、证据和智能体功能彼此解耦。

主要层次¶

Platform:

---
config:
  layout: elk
---
flowchart
    U[用户、Codex 或命令行界面]
    T[任务规范或研究契约]
    R[兼容性与证据推荐器]
    C[(模型目录)]
    D[(数据集目录)]
    P[数据提供方与规范化数据层]
    M[数据集条件化模型构建器]
    X[训练器与检查点]
    E[指标套件与诊断模块]
    F[图表实验室]
    V[清单与研究记忆]

    U --> T --> R
    C --> R
    D --> P
    P --> M
    R --> M
    M --> X --> E --> F --> V
    T --> V
    P --> V
    R --> V
    X --> V

用户任务与命令行 / Python API
                ↓
推荐器与实验编排
                ↓
模型配置翻译与 ModelHub
                ↓
数据集适配器与规范化批处理
                ↓
训练器、检查点和 CFD 指标
                ↓
论文证据、模型卡和运行清单

数据层¶

数据层将不同来源的结构化网格、点云和非结构网格转换为 CFDSample 和 CFDBatch。

核心对象：

AdapterRegistry
AdaptedDataset
CFDSample
CFDBatch
make_dataloaders

模型层¶

模型层由以下部分组成：

原生 PyTorch 参考实现；
ModelHub 统一状态和构造接口；
数据集—模型配置翻译；
外部官方实现适配器；
一致性验证工具。

训练与评价层¶

CFDTrainer 负责优化器、损失、调度器、混合精度、梯度裁剪、早停和检查点。

评价层包括场误差、谱误差、散度、动能和时间滚动误差。阻力、升力和壁面剪切等积分量需要数据集特定的几何信息与积分规则。

证据和推荐层¶

模型目录描述“模型是什么”，证据目录描述“模型在什么条件下取得了什么结果”，推荐器则回答“针对当前任务应该先测试哪些模型”。

智能体层¶

智能体层生成可审计实验计划，但不会绕过硬兼容性检查、数据许可证或数值验证。所有建议应转化为可重复配置和明确的评估协议。

可扩展性原则¶

新增模型时应提供：

模型卡；
构造器或外部入口；
数据集配置翻译；
前向和反向测试；
检查点与许可证说明；
至少一个目标基准验证。

新增数据集时应提供：

数据卡和来源；
字段映射；
坐标、掩码和参数定义；
正式划分；
归一化方法；
可复现下载或修订标识。