在线优化机器学习碰撞模型：突破稀薄气体高精度模拟效率瓶颈

1. 项目概述与核心思路

在计算流体力学（CFD）的前沿，尤其是在航空航天的高空飞行器设计、微机电系统（MEMS）的微通道流动分析中，我们常常会遇到一个棘手的问题：气体变得非常稀薄。当气体分子的平均自由程与系统的特征尺寸相当时，基于连续介质假设的纳维-斯托克斯方程就失效了。这时候，我们必须回到气体动理论，从分子层面去描述和模拟流动。作为一名长期与稀薄气体流动打交道的工程师，我深知传统模拟方法在精度与效率之间的艰难取舍。直接模拟蒙特卡洛（DSMC）方法凭借其高效性成为行业主流，但它依赖的唯象碰撞模型（如变径硬球VHS模型）在复杂或极端条件下，其精度和普适性常常让人心里没底。另一方面，追求高保真的直接分子模拟（DMS）方法，通过数值积分每一对选定分子的经典运动轨迹（CTC）来精确求解碰撞，其结果几乎可以与全分辨的分子动力学（MD）相媲美，但其计算成本之高，让它至今仍难以应用于复杂的三维工程问题。

近年来，机器学习（ML）为科学计算带来了革命性的视角。我们不禁思考：能否用一个小巧的神经网络，去学习并替代那个计算开销巨大的经典轨迹积分过程？这个想法很诱人，但实践起来坑不少。最大的挑战在于“泛化性”：一个在特定工况（比如马赫数5、室温）下训练好的神经网络模型，一旦应用到训练数据未曾覆盖的物理条件（比如极高马赫数或极低温），其预测精度可能会急剧下降，这就是典型的“离线训练、离线应用”模式在科学计算中面临的“分布外泛化”难题。

本文分享的工作，核心就是解决这个难题。我们提出并实现了一种在线优化（Online Optimisation）算法。它的核心思想非常直观：不再试图用一个静态的、预训练的模型去应对所有未知场景，而是让模型在模拟运行的过程中“边干边学”。在DMS模拟的间隙，我们随机抽取一小部分（例如1%）的碰撞，仍然用“金标准”CTC方法去计算其真实的散射角，并将这些实时生成的、与当前流场物理状态高度相关的数据作为训练样本，持续地微调（fine-tune）神经网络的参数。这样，模型始终在学习和适应它当前“亲眼所见”的碰撞动力学，从而保证了其在当前模拟工况下的准确性。这种方法将机器学习的灵活性与物理模拟的保真度要求紧密结合，我们称之为在线机器学习直接分子模拟（Online ML-DMS）。

实测下来，这套方案效果显著。在对氩气一维正激波这个经典算例的广泛测试中（马赫数1.55到50，温度16K到300K，密度跨越多个量级），Online ML-DMS在仅引入约5%额外开销的情况下，取得了与全CTC-DMS和MD高度一致的结果，同时将总体计算时间降低了5到15倍。这不仅仅是理论上的加速，更是为将高精度DMS方法推向更复杂的实际工程应用，扫清了一个关键的计算障碍。

2. 核心方法深度解析：从DSMC、DMS到Online ML-DMS

要理解在线优化的精妙之处，我们必须先厘清DSMC、DMS以及我们提出的ML-DMS这三者之间的根本区别与联系。它们都是基于粒子的随机模拟方法，用大量“模拟粒子”（每个代表许多真实分子）来表征速度分布函数，但其处理碰撞的核心逻辑截然不同。

2.1 DSMC与DMS：效率与精度的光谱两端

DSMC（直接模拟蒙特卡洛）是工程应用中的“效率王者”。它的核心是一个简化的碰撞模型。以最常用的变径硬球（VHS）模型为例，它用两个关键参数来描述碰撞：参考直径d_ref和温度指数ω。碰撞发生后，新的相对速度方向是在球面上完全随机（各向同性）选取的。这个模型极其简单，计算一次碰撞只需几次算术运算，因此速度极快。然而，它的参数（ω）通常需要通过拟合实验数据（如粘性系数随温度的变化）或对照更精确的模拟结果来手动标定。这种标定是全局的、经验性的，无法保证在流场局部、尤其是存在强烈非平衡态的区域（如激波内部）仍然准确。

DMS（直接分子模拟）则站在了“精度巅峰”。它摒弃了任何唯象模型，其核心是经典轨迹计算（CTC）。当一对模拟粒子被选中发生碰撞时，程序会基于给定的分子间势能（如Lennard-Jones势），数值积分牛顿运动方程，精确计算出碰撞后的散射角χ。这个过程完全由底层物理（势能函数）决定，因此理论上能给出最接近真实分子动力学的碰撞结果。但代价是巨大的：一次CTC需要成千上万次力计算和位置更新，比DSMC的一次碰撞要慢数个数量级。

2.2 ML-DMS的桥梁作用与离线训练的局限

ML-DMS的初衷，就是在DMS的框架内，用机器学习模型替代CTC。我们构建一个神经网络χ_nn(e, b; θ)，输入是碰撞能量e和瞄准距离b，输出是预测的散射角χ。在模拟中，一旦碰撞被接受，我们不再调用耗时的CTC积分器，而是查询这个神经网络模型，瞬间得到结果。

最初的尝试是离线训练：我们在一个预设的(e, b)参数空间内，通过大量的CTC计算生成一个静态数据集，然后在这个数据集上训练一个神经网络。这听起来很合理，也确实能在训练数据覆盖的“样本内”工况下工作得很好。但问题在于，真实的流场模拟是动态的、未知的。激波的位置、强度、内部的温度和密度分布都在变化，导致模拟中实际出现的(e, b)值域可能与离线训练集有显著差异。一个在“温和”工况下训练的模型，一旦遇到“极端”工况，其预测就会失灵，这就是机器学习中经典的分布外（Out-of-Distribution）泛化失败问题。在科学计算中，由于生成高保真数据的成本极高，我们无法奢望有一个能覆盖所有可能物理状态的巨型训练集。

2.3 在线优化：让模型在模拟中自我进化

在线优化的核心创新在于，它将训练过程从“模拟前”搬到了“模拟中”。我们不再追求一个“万能”的静态模型，而是培养一个能“实时学习”的智能体。其算法框架可以概括为以下几个关键步骤：

1. 初始化：从一个预训练的或随机初始化的神经网络模型开始模拟。这个初始模型可以很粗糙，甚至是一个简单的VHS模型。
2. 模拟-采样循环：在每一个或每N个DMS时间步中，正常进行粒子推进和碰撞选择。
3. 小批量CTC数据生成：在所有被接受的真实碰撞中，随机选取一小部分（例如1%），我们称之为“校准碰撞”。对于这些碰撞，我们不使用神经网络预测，而是启动完整的CTC计算，得到精确的散射角χ_ctc。这相当于在真实的物理环境中获取了宝贵的“标注数据”。
4. 在线参数更新：利用刚刚生成的这一小批(e, b, χ_ctc)数据，立即执行一步或几步随机梯度下降（SGD）或Adam优化，更新神经网络的参数θ。损失函数通常采用预测散射角与CTC计算值之间的均方误差（MSE）。
5. 模型应用：用更新后的模型参数θ，去计算本时间步内其余所有碰撞的散射角。
6. 持续迭代：重复步骤2-5，直到模拟结束。

注意：在线优化的“校准碰撞”比例是一个需要权衡的超参数。比例太高，计算开销逼近全CTC-DMS，失去加速意义；比例太低，提供的训练数据不足，模型收敛慢或精度不佳。实践中��1%-5%是一个经验上较好的范围，能在精度和效率间取得良好平衡。

这种方法的美妙之处在于：

• 数据相关性：训练数据完全来自当前模拟的物理状态，完美解决了分布外泛化问题。模型学习的就是它“当下”需要预测的动力学。
• 计算高效：仅对极小部分碰撞进行昂贵计算，主体部分仍由快速神经网络完成，总体加速比显著。
• 路径普适：该方法不依赖于神经网络。任何参数化的碰撞模型（如VHS，其参数ω）都可以嵌入这个框架，通过在线优化来校准其参数，使其输出的碰撞统计特性与CTC结果匹配。我们在后文也会展示对VHS模型的在线校准。

3. 实操过程与核心环节实现

下面，我将以一个氩气一维正激波的模拟为例，拆解实现Online ML-DMS的关键步骤和代码逻辑。我们假设读者已有基本的DSMC/DMS和PyTorch/TensorFlow使用经验。

3.1 仿真环境与数据准备

首先，我们需要搭建一个基础的DMS仿真框架。这包括粒子初始化、网格划分、碰撞对选择（基于null-collision方法）、以及粒子推进。这部分代码与传统DSMC/DMS一致，此处不赘述。关键是我们需要实现两个碰撞求解器：CTC求解器和神经网络模型。

CTC求解器实现要点：

import numpy as np from scipy.integrate import solve_ivp class CTCSolver: def __init__(self, potential='LJ', dt=1e-15): # 1 fs timestep self.dt = dt if potential == 'LJ': self.epsilon = 119.18 # K, for Argon self.sigma = 3.42e-10 # m, Angstrom to meter def lj_force(self, r): """Calculate Lennard-Jones force between two particles.""" sr = self.sigma / r return 24 * self.epsilon / r * (2 * sr**12 - sr**6) def compute_chi(self, e, b): """Compute scattering angle for given collision energy (J) and impact parameter (m).""" # 1. Convert energy to initial relative speed mu = 39.9 * 1.660539e-27 / 2 # Reduced mass of Ar-Ar (kg) g0 = np.sqrt(2 * e / mu) # 2. Initial conditions in center-of-mass frame # Particle 1 at origin, moving along +x # Particle 2 at (D_cutoff, b), moving along -x D_cutoff = 4 * self.sigma r_init = np.array([D_cutoff, b]) v_rel_init = np.array([-g0, 0.0]) # 3. Equations of motion in reduced coordinates (1D radial equation can be used for speed) # Here we show a simplified 2D integration for clarity. def equations(t, y): # y = [x1, y1, x2, y2, vx1, vy1, vx2, vy2] r_vec = np.array([y[0]-y[2], y[1]-y[3]]) r = np.linalg.norm(r_vec) if r < 1e-15: r = 1e-15 force_mag = self.lj_force(r) force_dir = r_vec / r f1 = force_mag * force_dir f2 = -f1 return [y[4], y[5], y[6], y[7], f1[0]/mu, f1[1]/mu, f2[0]/mu, f2[1]/mu] # 4. Time integration (using adaptive solver for robustness) sol = solve_ivp(equations, [0, 1e-10], # 100 ps max time [0, 0, D_cutoff, b, g0/2, 0, -g0/2, 0], method='RK45', max_step=self.dt, events=self.collision_event) # ... (extract final velocities and compute scattering angle chi) # chi = arccos( (v_rel_init · v_rel_final) / (|v_rel_init||v_rel_final|) ) return chi def collision_event(self, t, y): """Event to stop integration when particles separate beyond cutoff.""" r = np.sqrt((y[0]-y[2])**2 + (y[1]-y[3])**2) return r - 4 * self.sigma

实操心得：CTC积分是计算热点。实际高性能代码中，会采用更优化的算法，如将相对运动约化为单体在中心力场中的问题，并使用辛积分器（如Velocity Verlet）来保证能量守恒。上述代码仅为原理示意。积分步长dt需要仔细选择，太小则慢，太大会导致能量不守恒，影响散射角精度。通常需要做收敛性测试。

3.2 神经网络碰撞模型的设计与实现

我们设计一个简单但有效的全连接神经网络来学习散射角。

import torch import torch.nn as nn import torch.optim as optim class CollisionNet(nn.Module): def __init__(self, input_dim=2, hidden_dim=50, output_dim=1): super(CollisionNet, self).__init__() # 简单的3层MLP self.net = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, output_dim), nn.Sigmoid() # 输出限制在[0,1]，对应chi/pi ) def forward(self, x): # x: [batch_size, 2], 列分别为归一化的 e* 和 b* return self.net(x) * torch.pi # 映射回 [0, pi] def normalize_inputs(e, b, e_max=100.0, b_max=5.0): """将物理输入归一化到[0,1]区间，有助于网络训练。""" e_norm = e / e_max b_norm = b / b_max return torch.stack([e_norm, b_norm], dim=-1)

网络设计的关键考量：

1. 输入归一化：碰撞能量e和瞄准距离b的物理量纲和数值范围差异巨大，必须进行归一化。我们根据离线数据集的经验，设定e_max=100,b_max=5作为归一化上限。对于在线训练中出现的超出此范围的值，可以采用截断或动态调整归一化系数的方法。
2. 输出激活函数：散射角χ的范围是[0, π]。使用Sigmoid函数将网络输出约束在[0,1]，再乘以π，是一个简单有效的方案。
3. 网络深度与宽度：我们的问题本质是学习一个二维输入到一维输出的复杂函数。3-4个隐藏层，每层50-100个神经元，配合ReLU激活函数，通常足以捕捉Lennard-Jones势下的散射动力学。过深的网络容易过拟合，且增加推理时间。

3.3 在线训练循环的集成

这是将DMS模拟与在线学习耦合的核心。我们修改标准的DMS循环，嵌入训练步骤。

class OnlineMLDMS: def __init__(self, model, ctcsolver, lr=1e-3, calibration_fraction=0.01): self.model = model self.ctc = ctcsolver self.optimizer = optim.Adam(model.parameters(), lr=lr) self.criterion = nn.MSELoss() self.calib_frac = calibration_fraction # 1%的碰撞用于CTC校准 def simulation_step(self, particles, cells): """一个DMS时间步""" # ... (标准DMS步骤：选择虚拟碰撞对，根据截面接受碰撞) accepted_collisions = self.select_collisions(particles, cells) # 划分校准集和推理集 num_calib = int(len(accepted_collisions) * self.calib_frac) indices = torch.randperm(len(accepted_collisions)) calib_idx = indices[:num_calib] infer_idx = indices[num_calib:] calib_data = [] # 1. 对校准集进行CTC计算，并收集数据 for idx in calib_idx: e, b = accepted_collisions[idx].get_kinematics() chi_true = self.ctc.compute_chi(e, b) # 昂贵的CTC调用 calib_data.append((e, b, chi_true)) # 用CTC结果更新这对粒子的速度 accepted_collisions[idx].update_velocities(chi_true) # 2. 在线训练步骤（如果校准集非空） if calib_data: e_batch = torch.tensor([d[0] for d in calib_data]) b_batch = torch.tensor([d[1] for d in calib_data]) chi_true_batch = torch.tensor([d[2] for d in calib_data]) inputs = normalize_inputs(e_batch, b_batch) self.optimizer.zero_grad() chi_pred_batch = self.model(inputs).squeeze() loss = self.criterion(chi_pred_batch, chi_true_batch) loss.backward() self.optimizer.step() # 3. 对推理集使用（更新后的）神经网络进行预测 for idx in infer_idx: e, b = accepted_collisions[idx].get_kinematics() with torch.no_grad(): # 推理阶段不计算梯度 input_tensor = normalize_inputs(torch.tensor([e]), torch.tensor([b])) chi_pred = self.model(input_tensor).item() accepted_collisions[idx].update_velocities(chi_pred) # ... (更新所有粒子位置，完成时间步)

注意事项：在线训练引入了随机性。为了确保结果可复现，需要固定随机种子。同时，优化器的学习率lr需要仔细调参。学习率太大会导致训练不稳定，模型在最优值附近震荡；学习率太小则收敛慢，在模拟的有限时间内可能学不到足够的知识。建议从一个较小的学习率（如1e-4）开始，根据损失下降情况调整。

3.4 对DSMC-VHS模型的在线参数校准

我们的在线优化框架具有通用性。以DSMC中广泛使用的VHS模型为例，其核心参数是温度指数ω，它决定了碰撞截面随相对速度的变化率。传统上，ω通过拟合粘性系数实验数据获得，是一个全局常数。我们可以利用在线框架，动态校准ω，使其在当前流场局部产生的碰撞统计特性与CTC结果匹配。

VHS散射角公式：在VHS模型中，散射角χ的分布是各向同性的，但其平均散射角或动量传递截面与ω有关。更直接的方法是，我们在线优化ω，使得由VHS模型生成的、在给定(e, b)分布下的散射角分布，与CTC计算得到的分布尽可能接近。这可以通过最小化两者分布之间的差异（如KL散度）来实现。

简化起见，我们可以针对当前时间步内采样到的(e, b)，用CTC计算出一组散射角{χ_ctc}，同时用当前的ω参数通过VHS模型生成另一组散射角{χ_vhs(ω)}。然后，我们定义损失函数为两者均方误差，并通过梯度下降更新ω：L(ω) = mean( (χ_ctc - χ_vhs(ω))^2 )

由于VHS模型的散射是随机的，χ_vhs(ω)本身是随机变量。我们需要使用重参数化技巧或得分函数估计器来计算损失函数对ω的梯度。具体实现比神经网络复杂，因为它涉及对随机过程的优化。但核心思想一致：利用实时CTC数据，动态调整模型参数，使其适应当前流场。

4. 结果分析与性能对比

我们在一维氩气正激波问题上进行了全面的测试，涵盖了从低马赫数（1.55）到高马赫数（50），从低温（16K）到室温（300K），密度跨越4个数量级的广泛工况。

4.1 精度验证：与MD和CTC-DMS的对比

下图展示了在线ML-DMS与“金标准”MD以及全CTC-DMS模拟结果的对比。激波结构的核心特征是密度和温度在空间上的变化剖面。

从密度和温度剖面图可以清晰看到，Online ML-DMS的曲线（通常用虚线或特定符号表示）几乎完全覆盖在CTC-DMS的实线之上，即使在激波过渡区这种梯度极大的区域也是如此。这表明，在线学习的神经网络成功地捕捉到了当前激波结构下所有可能碰撞的动力学特征。

4.2 计算效率：显著的加速比

计算性能是我们关注的核心。我们统计了完成相同物理时间模拟所需的CPU/GPU时间。

• 基准：全CTC-DMS的计算时间为T_ctc。
• 在线ML-DMS：总时间T_online = T_nn_inference + T_ctc_calib + T_training。
  • T_nn_inference：神经网络推理时间，与碰撞次数成正比，但每次推理仅是简单的矩阵乘法，比CTC快约3个数量级。
  • T_ctc_calib：用于校准的CTC计算时间。由于我们只对1%的碰撞进行CTC，这部分时间约为0.01 * T_ctc。
  • T_training：在线参数更新（反向传播）的时间，通常很小。
• 结果：在典型的测试案例中，我们实现了5倍到15倍的加速（T_ctc / T_online）。加速比取决于流场条件：在碰撞频率高、相对速度范围广的强激波中，神经网络需要学习更复杂的映射，校准比例可能需要微调，加速比会接近下限（5倍）；在相对温和的条件下，加速比可达15倍甚至更高。

实操心得：加速比的测量需要在相同的硬件和代码优化水平下进行。神经网络推理部分非常适合GPU加速。如果使用PyTorch/TensorFlow，确保将模型和输入数据放在GPU上，可以进一步拉大与纯CPU CTC计算的速度差距。此外，在线训练的频率（每个时间步都训练，还是每N步训练一次）也需要根据具体问题调整，以在收敛速度和计算开销间取得平衡。

4.3 在线训练的动态过程

观察在线训练过程中损失函数的变化是很有启发的。在模拟初始阶段，由于模型未经训练或仅经过粗略预训练，损失值很高。随着模拟进行，模型不断用当前流场中采样的CTC数据进行微调，损失函数迅速下降，通常在几百个时间步内就收敛到一个很低的平台值。这直观地展示了模型“快速适应”新物理环境的能力。

相比之下，离线训练的模型在“样本内”工况损失很低，但一旦切换到“样本外”工况，损失会立刻跳升，且在整个模拟过程中无法下降，因为它没有学习新数据的能力。

5. 常见问题、挑战与进阶讨论

在实际实现和应用Online ML-DMS时，会遇到一些典型问题和挑战。

5.1 训练稳定性与灾难性遗忘

问题描述：在线学习本质上是一个持续学习（Continual Learning）问题。当流场物理状态发生剧烈变化时（例如，模拟从一个稳态切换到另一个，或激波穿过复杂结构），新学到的知识可能会覆盖或干扰旧知识，导致模型在之前已适应的区域性能下降，这被称为“灾难性遗忘”。

解决方案：

1. 回放缓冲区（Replay Buffer）：维护一个固定大小的缓冲区，存储历史上采样到的(e, b, χ_ctc)数据对。在每次训练时，不仅从当前批次采样，还随机从缓冲区中抽取一部分旧数据一起训练。这有助于模型保留对历史工况的记忆。
2. 弹性权重巩固（EWC）：在损失函数中增加一项正则化，惩罚对重要网络参数的剧烈修改。重要性可以通过参数在历史数据上的费雪信息矩阵来估计。这能让模型在适应新任务时，尽量不破坏对旧任务的解决能力。
3. 多任务学习框架：将不同的流场区域或物理状态视为不同的“任务”，设计网络结构（如共享底层特征提取层，顶层使用任务特定头）来同时处理。

5.2 校准碰撞的采样策���

问题描述：随机抽取1%的碰撞进行CTC校准，虽然简单，但可能不是最优的。有些碰撞类型（例如极高能量或极小瞄准距离的碰撞）虽然罕见，但对动量输运和能量交换影响重大，如果始终未被采样到，模型在这些关键区域的预测就会不准。

解决方案：采用重要性采样策略。可以根据碰撞能量e或预估的碰撞重要性（如根据b大小，小b碰撞通常偏转角大，更重要）来调整采样概率，确保训练数据能覆盖所有重要的碰撞类型。这需要在线估计碰撞类型的分布，并动态调整采样权重。

5.3 模型架构的扩展性

问题描述：当前工作针对的是单原子气体（氩气），只有平动自由度。对于更实际的工程气体（如N2, O2， CO2），分子具有转动和振动自由度，碰撞过程涉及能量在这些自由度间的转移，输入输出维度急剧增加（例如，需要输入相对速度、角动量、振动量子数等，输出包括各自由度的能量变化）。

解决方案：

1. 图神经网络（GNN）：将碰撞的分子对视为一个图，原子或自由度作为节点，相互作用作为边。GNN天然适合处理这种具有对称性（碰撞双方等价）和可变输入结构的问题。
2. 对称性嵌入：碰撞动力学应满足物理对称性，如平移、旋转不变性，以及粒子交换对称性。在网络设计中硬编码这些对称性（例如，使用等变神经网络），可以大幅减少所需训练数据，提升模型的物理一致性和泛化能力。
3. 多输出网络：输出层不仅预测散射角，还预测转动能变化、振动能变化、甚至化学反应概率（对于反应流），形成一个统一的“碰撞结局”预测器。

5.4 从一维到三维：工程应用的挑战

问题描述：一维激波是一个理想的验证案例，但工程问题大多是三维的。将Online ML-DMS扩展到三维复杂流场（如航天器绕流），面临巨大挑战：

• 碰撞对选择：三维DSMC/DMS中碰撞对的选择基于更复杂的几何关系。
• 边界条件：复杂的壁面相互作用（漫反射、镜面反射、催化反应）需要建模。
• 计算负载：三维模拟粒子数巨大，即使只有1%的CTC校准，绝对数量也可能非常可观。
• 流场不均匀性：不同空间区域的物理状态差异巨大，模型可能需要具备空间感知能力。

实践路径：

1. 分区建模：将计算域划分为若干子区域，每个子区域维护一个本地化的碰撞模型。模型参数可以共享一部分，也允许一部分区域特定。这类似于“混合模型”思想。
2. 迁移学习：利用在一维或简单二维案例上预训练的模型作为三维模拟的起点，可以大幅减少三维模拟中在线训练所需的收敛时间和CTC采样量。
3. 与高性能计算结合：将CTC计算和神经网络训练/推理任务卸载到GPU或AI加速器上，与CPU上的粒子推进和网格管理并行进行，最大化硬件利用率。

在线优化机器学习碰撞模型，为高保真稀薄气体模拟打开了一扇新的大门。它巧妙地将机器学习的自适应能力与物理模拟的保真度要求相结合，用可承受的计算代价，换来了逼近第一性原理的精度。从我个人的工程实践角度看，这项技术最吸引人的地方在于其“自适应性”和“自动化”。它减少了对手动调整模型参数的依赖，让模拟代码更智能、更鲁棒。虽然目前主要应用于基础研究和高保真验证，但随着算法和硬件的持续发展，它有望逐步渗透到对精度有苛刻要求的工程设计与分析中，例如下一代高超声速飞行器的热防护系统设计、真空设备内部的微尺度流动分析等。未来的工作可以聚焦于更复杂的分子模型、更高效的在线学习算法，以及与大规模并行DSMC软件的深度集成。这条路还很长，但第一步已经迈得相当扎实。