罗盘 / 湍流理论
暗星档案 · 未点亮的星湍流统计量的第一原理理论
本条为初评草案（AI 辅助编目 · 评于 2026-07-16）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
湍流统计量的第一原理理论T6 量级 · 行星
在明确边界下从方程预测间歇性、结构函数和输运。
所属星云究极真理·数学的圣杯理解万物
暗星编号DS-0080
轴E · 能量与能力前沿
领域fundamental-science
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
Kolmogorov 标度理论奠定了骨架，而间歇性、各向异性、壁面和非平衡湍流仍难从 Navier–Stokes 稳定推出。
卡在哪 · 机制级卡点
尺度数巨大、非线性闭合和边界条件使普适统计推导困难。
谁在攻
数学物理、高雷诺数实验、DNS 与湍流场论团队。
怎么参与
读偏微分方程/数学物理（Navier-Stokes 正则性方向）或非平衡统计物理的研究生，两条路都通向它。务实的切入子问题：随机 Navier-Stokes 的严格统计结果、湍流极端事件（间歇性）的可解玩具模型（如 shell model、Burgers 湍流）、或用机器学习从数据反推闭合律再回头找理论结构——在无人区，任何一块严格成立的新拼图都是领域级贡献。
谁在攻这颗暗星 · 攻关者名录12 人
这不是终点站——今天在这颗暗星上攻坚的人，就是明天点亮它、登上星光榜的候选。名录含科研、创业与第三方三类关键角色，初评待核实，欢迎补充与纠正。
ACADEMIA学界 · 科研12
陶哲轩Terence Tao数学家 / 菲尔兹奖得主
加州大学洛杉矶分校 UCLA
研究 Navier-Stokes 方程的潜在爆破机制（"平均化 NS"构造），从数学一端逼近千禧年正则性问题
查尔斯·费夫曼Charles Fefferman数学家 / 菲尔兹奖得主
普林斯顿大学
撰写克雷千禧年"Navier-Stokes 存在性与光滑性"官方问题陈述，界定了这道难题的判据
弗拉基米尔·什韦拉克Vladimír Šverák数学家
明尼苏达大学
Navier-Stokes 正则性理论与刘维尔型定理的核心贡献者
卡米洛·德·莱利斯Camillo De Lellis数学家
普林斯顿高等研究院 IAS
用凸积分方法证明 Euler/NS 弱解非唯一性与 Onsager 猜想（与 Székelyhidi），把湍流反常耗散数学化
拉斯洛·塞凯利希迪László Székelyhidi Jr.数学家
莱比锡马普数学科学研究所 MPI MiS
凸积分方法的共同奠基者，Onsager 猜想与湍流耗散的严格构造
特里斯坦·巴克马斯特Tristan Buckmaster数学家
纽约大学 Courant 研究所
与 Vicol 证明三维 NS 有限能量弱解的非唯一性（2019 克雷研究奖），颠覆了对 NS 弱解的认识
弗拉德·维科尔Vlad Vicol数学家
纽约大学 Courant 研究所
NS 弱解非唯一性的共同证明者，把凸积分推广到黏性方程（2019 克雷研究奖）
菲利普·艾塞特Philip Isett数学家
加州理工学院
证明三维 Euler 方程 Onsager 猜想的临界正则性构造（2019 克雷研究奖），联系湍流反常耗散
格雷戈里·艾因克Gregory Eyink应用数学家 / 物理学家
约翰斯·霍普金斯大学
湍流反常耗散与 Onsager 猜想的物理诠释，间歇性统计理论
乔治·帕里西Giorgio Parisi理论物理学家 / 诺贝尔奖得主
罗马大学
湍流间歇性的多重分形模型（Frisch-Parisi），非平衡统计物理的奠基性框架
卡特帕利·斯里尼瓦桑Katepalli R. Sreenivasan实验与理论流体物理学家
纽约大学 NYU
湍流标度律与间歇性的实验检验与理论，普适性常数（如 Kolmogorov 常数）的精密测定
格雷戈里·法尔科维奇Gregory Falkovich理论物理学家
魏茨曼科学研究所
湍流统计理论的解析结果（含二维湍流、被动标量湍流），从可解模型攻统计普适性
去哪家 · 机构与公司名录4 家 · 其中初创/成长期 4
给求职者和投资人的信息增量——不只是听过的大机构，更多是正在攻这颗暗星的初创与新公司（联网实搜、初创优先排序，初评待核实）。
Navier AI初创
用 ML 加速的 CFD 求解器，把机器学习模型与传统数值方法结合做近实时流体仿真（号称快 1000 倍）。
↗ 创始人 Cameron 与 Evan 为前 SpaceX 火箭工程师；正对应暗星入场路径中『用机器学习从数据反推闭合律』——虽攻工程仿真而非千禧年纯理论，却是把湍流闭合问题产业化的前沿小队。
Luminary Cloud初创
云端大规模生成仿真数据并训练物理 AI 模型，覆盖流动、结构、热、电磁，把小时级 CFD 压到亚秒级预测。
↗ 与 NVIDIA 生态联动、面向国防/航天推出物理 AI 模型；靠『大规模仿真数据 + 代理模型』绕开湍流直接求解的算力墙，是 ML-CFD 的代表新锐。
Neural Concept初创
用几何深度学习做工程 CFD 代理模型，从仿真数据学习流场以加速设计迭代。
↗ 源自 EPFL 的欧洲 ML-CFD 先行者之一，把神经网络代理引入含湍流的气动/热设计；代表暗星『从数据反推、再回头找理论结构』路径的工业侧尝试。
PhysicsX成长期
把仿真、物理 AI、数据与工程应用统一到一个平台，用深度学习替代/加速含流体的多物理场仿真。
↗ 该领域融资体量最大的公司之一，团队多出自航天/F1 高端仿真；代表『用 ML 逼近湍流而非解析求解』这条务实主线的规模化力量。