The HydroGym reinforcement learning platform for fluid dynamics

Effective control of fluid flows is critical across transportation, energy and medicine, where it can increase lift, reduce drag, enhance mixing and attenuate noise1–3. Yet fluids are notoriously difficult to control because they involve high-dimensional, nonlinear and multiscale dynamics that resist conventional approaches4–6. Reinforcement learning has driven remarkable progress in fields such as protein folding and complex games, which have shared benchmarks and standardized environments7–10. Fluid dynamics has lacked such infrastructure, so each controller is typically tuned to a single geometry and operating condition, making progress difficult to accumulate, transfer and compare11–13. Here we introduce HydroGym, a solver-independent reinforcement learning platform providing more than 60 validated, openly available flow control environments spanning from canonical laminar flows to complex turbulent flows, with systematic progression in the Reynolds number up to Re&amp;nbsp;=&amp;nbsp;4&amp;nbsp;×&amp;nbsp;105, and Mach number variations in two and three dimensions. Across these environments, agents repeatedly discover robust control principles, including boundary layer manipulation, disruption of acoustic feedback and reorganization of turbulent wakes. Critically, we demonstrate a proof of concept for zero-shot transfer, in which agents that are trained exclusively in inexpensive surrogate environments are deployed to challenging real-world scenarios such as a three-dimensional wing section. We achieve a 38% reduction in local skin&amp;nbsp;friction while reducing exploration costs by four orders of magnitude compared with direct on-wing optimization. As this transfer exploits shared near-wall physics, the breadth of generalization remains open, suggesting a new pathway for research toward policy generalization across computationally prohibitive simulation environments. By offering a common, extensible foundation for reproducible research, HydroGym moves flow control from isolated case studies toward a cohesive community effort. HydroGym offers over 60 standardized reinforcement-learning flow-control environments and demonstrates zero-shot transfer to a 3D wing, cutting local skin friction by 38% and exploration costs by four orders of magnitude.

8131

Nature

Aerospace engineering

Computational science

Computer science

Effective control of fluid flows is critical across transportation, energy and medicine, where it can increase lift, reduce drag, enhance mixing and attenuate noise1–3. Yet...

Недавно команда Стивена Л. Брантона из Вашингтонского университета (США) сообщила о платформе обучения с подкреплением HydroGym для гидродинамики. Результаты были опубликованы в журнале Nature 19 августа 2026 года.Эффективное управление потоками жидкости критически важно в таких областях, как транспорт, энергетика и медицина, — оно позволяет увеличить подъёмную силу, снизить сопротивление, улучшить смешивание и уменьшить шум. Однако потоки крайне сложно контролировать из-за их высокой размерности, нелинейности и многомасштабной динамики, и традиционные методы с трудом справляются с этими вызовами. Обучение с подкреплением уже достигло значительных успехов в таких областях, как предсказание сворачивания белков и сложные игры, где существуют общие бенчмарки и стандартизированные среды. В гидродинамике такая инфраструктура ранее отсутствовала, поэтому каждый контроллер обычно настраивался под одну геометрию и режим работы, что затрудняло накопление, перенос и сравнение результатов.Исследовательская группа представляет HydroGym — не зависящую от решателя платформу обучения с подкреплением, предоставляющую более 60 верифицированных общедоступных сред для управления потоками, охватывающих широкий спектр течений от типичных ламинарных до сложных турбулентных, с систематическим изменением числа Рейнольдса от низких до высоких значений вплоть до Re = 4×10⁵, включая двумерные и трёхмерные вариации числа Маха. В этих средах агенты многократно находили устойчивые стратегии управления, включая манипуляцию пограничным слоем, подавление акустической обратной связи и перестройку турбулентного следа. Ключевым результатом является демонстрация концепции нулевого переноса (zero-shot transfer): агенты, обученные только в дешёвых суррогатных средах, были успешно развёрнуты в сложных реальных сценариях, например, на трёхмерном сегменте крыла.По сравнению с прямой оптимизацией на крыле, исследователи добились снижения локального поверхностного трения на 38% при одновременном сокращении затрат на исследование на четыре порядка. Поскольку этот перенос использует сходство физики вблизи стенки, широта обобщения остаётся предметом дальнейшего изучения, что открывает новые пути для исследований обобщения стратегий в вычислительно дорогих средах моделирования. Предоставляя общую и расширяемую основу для воспроизводимых исследований, HydroGym переводит управление потоками от изолированных отдельных исследований к скоординированным коллективным действиям.

The HydroGym reinforcement learning platform for fluid dynamics

Authors

Lagemann Christian

Mokbel Sajeda

Gondrum Miro

Rüttgers Mario

Wang Yuning

Suárez Pol

Paehler Ludger

Bezgin Deniz A.

Buhendwa Aaron B.

Callaham Jared L.

We recommend that you study