物理信息神经网络 (Physics-informed neural networks, PINNs) 是一种新兴的计算范式，它将观测数据模式和给定问题领域的基本物理定律相结合。这种方法在解决复杂流体动力学领域的多种困难方面提供了显著优势。我们深入研究了 PINNs 的模型架构设计、收敛速度优化以及计算模块的开发。然而，高效且准确地利用 PINNs 来解决复杂流体动力学问题仍然是一项巨大的挑战。例如，从已知数据中快速推导湍流的代理模型并准确表征多相流场中的流动细节，均面临重大困难。此外，在多物理耦合模型中预测参数、在多尺度建模中实现各尺度的平衡、以及开发包含复杂流体动力学问题的标准化测试集，都是亟待技术突破的领域。本文讨论了 PINNs 的最新进展及其在复杂流体动力学中的潜在应用，包括湍流、多相流、多场耦合流以及多尺度流。同时，我们分析了 PINNs 在解决这些流体动力学问题中面临的挑战，并概述了其发展的未来趋势。我们的目标是推动深度学习与复杂流体动力学的整合，促进更现实和复杂流动问题的解决。
