随着深度学习、高性能计算、数据分析、机器学习、人工智能、神经网络的快速发展，航天技术得到突飞猛进的发展。随之而来的真空羽流(火箭发动机工作时，其喷流向外部真空环境自由膨胀，形成的羽毛形状)对航天器材的损害问题显得尤为重要。主要体现在：
力热效应
产生干扰力矩;造成航天器表面温度升高和材料损坏
电磁效应
影响测控、通信等电子设备及信号，产生电磁干扰
溅射污染效应
改变材料的光学和电学特性，造成太阳电池阵功率下降和卫星光学敏感器性能下降
深度学习 | 航空数据一体机
研究真空羽流理论方法
直接模拟蒙特卡洛(DSMC)方法是真空羽流数值模拟的主流方法，但DSMC是一种粒子模拟方法，非常耗时，严重制约了真空羽流及其效应的评估效率。CNN-DSMC(基于卷积神经网络的直接模拟蒙特卡洛)将DSMC数值模拟模型获得的几何拓扑信息、边界条件信息和DSMC数值模拟得到的流场数据作为训练集，输入到卷积神经网络中进行训练，从而获得高精度、高效率的真空羽流智能计算模型，预测不同条件下的真空羽流流场。以月球探测器月面着陆过程中的真空羽流流场为例，分别采用CNN-DSMC计算和DSMC数值模拟，模拟了不同着陆高度下的真空羽流流场的速度和密度。结果表明，两种方法的结果基本一致，流场流速和密度的平均相对误差分别小于6.0%和8.8%。然而，与传统的DSMC方法相比，CNN-DSMC方法的计算速度至少提高了4个数量级，最快速度可达6个数量级。因此，CNN-DSMC方法在真空羽流数值模拟中具有很强的应用潜力。
下面主要以月面探测器月面着陆过程中真空羽流流程为例，分别通过基于卷积神经网络的直接模拟蒙特卡洛方法(CNN-DSMC)和DSMC方法实现月面探测器在不同悬停高度时的真空羽流流场。
一、基于卷积神经网络的直接模拟蒙特卡洛方法
图1是 CNN-DSMC 方法的求解流程图。在 CNN-DSMC 方法中，计算分为两个过程：数据预处理和模型训练。在数据预处理中，将真空羽流仿真模型中的几何拓扑信息抽象为符号距离函数，将边界条件信息抽象为标识符矩阵。SDF和 IM 一起作为训练集的输入;将DSMC 数值模拟得到的真空羽流的速度场(三个)和密度场作为训练集的输出;测试集是未经训练的DSMC数值模拟算例，用于验证CNN-DSMC方法的准确性。完成训练后就得到了真空。
图1：CNN-DSMC 方法计算流程
羽流智能计算模型 (SDF, IM) , =f ρ V (1) 式中：V 和 ρ 分别为真空羽流速度矢量和密度场。下面分别对 CNN-DSMC 方法中的真空羽流仿真模型、卷积神经网络和数据预处理方法进行介绍。
二、真空羽流数值模拟模型
文中 DSMC 算例均是通过北京航空航天大学羽流工作站 PWS完成的。该软件中航天器面网格和 DSMC 计算的体网格是解耦的，并且采用了自适应网格加密策略，方便计算各种复杂工况。此外，PWS 软件可以进行多核并行计算，且实现了真空羽流热效应、力效应分析和污染效应分析等方面的数值模拟。实验结果表明，该软件数值模拟结果与实验符合较好，可以满足文中数据的精度要求。
图2：真空羽流仿真计算域
三、卷积神经网络
CNN-DSMC方法中使用的整体网络结构如图3所示。该网络由一个编码器和两个解码器组成，其中每个编码器(解码器)由七个(反)卷积块组成。每个(反)卷积块的结构组成包括三个(反)卷积和一个最大(反)池化层，如图4所示。单个(反)卷积层包括(反)卷积、 激活函数和批量正则化三个过程。卷积本质上是一种矩阵变换。对于给定的矩阵A，卷积操作定义为 BwA 其中：B是卷积后得到的矩阵;w是卷积核，也是一个矩阵，其矩阵元素会在神经网络的训练中进行优化。反卷积是上述计算的逆过程。文中使用的激活函数是Relu，定义为Relu max(0，)其中x是(反)卷积的输出。批量正则化主要用于修正各层输入数据的期望和方差，有利于训练过程的效率和稳定性。最大池层的作用本质上是下采样，而最大反池化用于上采样。除了前馈过程，编码器中每个卷积块的输出将被输入到解码器中相应位置的反卷积块。该设置是训练中避免梯度消失和梯度爆炸的关键操作。
图3：CNN-DSMC 网络整体结构
图4：(反)卷积块的结构组成
航天行业未来发展趋势
未来五年，中国航天将推动空间科学、空间技术、空间应用全面发展，开启全面建设航天强国新征程。
航天运输系统方面
将持续提升航天运输系统综合性能，加速实现运载火箭升级换代。推动运载火箭型谱发展，研制发射新一代载人运载火箭和大推力固体运载火箭，加快推动重型运载火箭工程研制。持续开展重复使用航天运输系统关键技术攻关和演示验证。面向航班化发射需求，发展新型火箭发动机、组合动力、上面级等技术，拓展多样化便利进出空间能力。
载人航天方面
将继续实施载人航天工程，发射“问天”实验舱、“梦天”实验舱、“巡天”空间望远镜以及“神舟”载人飞船和“天舟”货运飞船，全面建成并运营中国空间站，打造国家太空实验室，开展航天员长期驻留、大规模空间科学实验、空间站平台维护等工作。深化载人登月方案论证，组织开展关键技术攻关，研制新一代载人飞船，夯实载人探索开发地月空间基础。
深空探测方面
将继续实施月球探测工程，发射“嫦娥六号”探测器、完成月球极区采样返回，发射“嫦娥七号”探测器、完成月球极区高精度着陆和阴影坑飞跃探测，完成“嫦娥八号”任务关键技术攻关，与相关国家、国际组织和国际合作伙伴共同开展国际月球科研站建设。继续实施行星探测工程，发射小行星探测器、完成近地小行星采样和主带彗星探测，完成火星采样返回、木星系探测等关键技术攻关。论证太阳系边际探测等实施方案。
蓝海大脑航天数据库一体机
蓝海大脑航天数据库一体机是以液冷服务器为平台、图数据库、时空环境知识图谱系统、GPU云的混合部署，对“图形工作站+集中存储”进行了替换。一站式图形化的数据开发套件提供强大的开发组件环境和丰富的图形化管理与开发界面，支持运行、调试、日志跟踪、结果预览等功能，极大地方便研究航天及研究真空羽流人员的使用。该方案包含了数据中心传统业务和前端业务的生产力工具，将所有计算和存储资源集中在数据中心，工位只有负责显示和操作的客户端，所有应用层航天数据软件统一部署、统一调度、做到各数据实时共享、共建共享，避免反复重复工作，且能做到正源追溯，谁审批谁修改，谁修改谁负责的溯源原则。
产品特点
全融合
实现集计算、网络、存储、安全等于一体的自主可控全融合
低功耗
单节点与x86中高端同等性能，功耗低20%
强I/O
支持PCIe 4.0及CCIX，支持10GE/25GE/100GE/IB，I/O带宽提升100%
高性能
多核并行计算效率高，支持全NVMe SSD加速
客户收益
提升效率
卫星影像自动处理系统和典型地物智能解译软件借鉴工业制造执行系统模式，采用类汽车制造生产线思想，采用先进算法研制成影像处理生产线，真正实现了人机协同作业，自动化率达到90%以上。
节约能源
原有数据中心电力使用成本在生命期间TCO中占比最大。数据中心实现IT设备按需供电与制冷，让供电和制冷系统的容量与负载需求更为匹配，从而提高了工作效率并减少过度配置。
运维监管
帮助客户实现数据中心多层级、精细化能耗管理，通过多种报表精确定能源额外损耗点，实现节能降耗。资产管理帮助用户制定资产维护计划，实现主动预警，动态调整维护计划，按照实际情况输出优化方案，构建最佳资产管理功能。
