Cet article souligne que les agents neuronaux entraînés avec la fonction de perte L2 standard ont tendance à sur-lisser les structures turbulentes à petite échelle. Il propose une méthode pour surmonter cette limitation en combinant des modèles génératifs avec l'entraînement des agents neuronaux. Nous démontrons les défaillances des agents neuronaux conventionnels sur trois problèmes pratiques d'écoulement turbulent : la super-résolution spatio-temporelle, la prédiction et la reconstruction d'écoulement clairsemé, et nous relevons ces défis à l'aide d'un agent neuronal entraîné de manière antagoniste (adv-NO). En super-résolution de jet de Schlieren, adv-NO réduit les erreurs spectrales d'énergie d'un facteur 15 tout en maintenant des gradients prononcés au détriment de l'inférence au niveau de l'agent neuronal. En turbulence isotrope homogène 3D, adv-NO, entraîné avec seulement 160 pas de temps d'une seule trajectoire, prédit avec précision une multiplication par cinq du temps de rotation du vortex et atteint une accélération de 114 x par rapport aux prédicteurs de base basés sur la diffusion, permettant une évolution en temps quasi réel. Enfin, lors de la reconstruction de l'écoulement du sillage du cylindre à partir d'entrées très rares de type vélocimétrie de suivi de particules, le modèle génératif conditionnel déduit des champs de vitesse et de pression 3D complets avec un alignement de phase et des statistiques corrects. Cette avancée permet une reconstruction et une prédiction précises à faible coût de calcul, permettant une analyse et un contrôle quasi temps réel en dynamique des fluides expérimentale et numérique.
