Este artículo destaca que los agentes neuronales entrenados con la función de pérdida L2 estándar tienden a suavizar excesivamente las estructuras turbulentas de escala fina y propone un método para superar esta limitación combinando modelos generativos con el entrenamiento de agentes neuronales. Demostramos las fallas de los agentes neuronales convencionales en tres problemas prácticos de flujo turbulento: superresolución espaciotemporal, predicción y reconstrucción de flujo disperso, y abordamos estos desafíos utilizando un agente neuronal entrenado adversarialmente (adv-NO). En la superresolución de chorro de Schlieren, adv-NO reduce los errores espectrales de energía en un factor de 15, al tiempo que mantiene gradientes agudos a costa de la inferencia a nivel de agente neuronal. En turbulencia isotrópica homogénea 3D, adv-NO, entrenado con solo 160 pasos de tiempo de una sola trayectoria, predice con precisión un aumento de más de cinco veces en el tiempo de rotación del vórtice y logra una aceleración del reloj de pared de 114x sobre los predictores basados en la difusión de referencia, lo que permite una evolución casi en tiempo real. Finalmente, al reconstruir el flujo de la estela cilíndrica a partir de entradas muy dispersas, similares a la velocimetría de seguimiento de partículas, el modelo generativo condicional infiere campos 3D completos de velocidad y presión con una alineación de fase y estadísticas correctas. Este avance permite una reconstrucción y predicción precisas con un bajo coste computacional, lo que facilita el análisis y el control casi en tiempo real en dinámica de fluidos experimental y computacional.
