世界上最快的超级计算机是为物理现象建模而设计的，但它们仍然不够快，无法有效地预测气候变化的影响，设计基于气流的飞机控制或精确模拟聚变反应堆。所有这些现象都是由偏微分方程（PDEs）建模的，它是描述物理世界中所有光滑和连续的方程，以及科学和工程中最常见的模拟问题。为了解决这些方程，我们需要更快的模拟，但近年来，摩尔定律一直在放缓。与此同时，我们已经看到机器学习（ML）的巨大突破以及针对它优化的更快的硬件。这种新范式为科学计算提供了什么？在美国国家科学院院刊上发表的「学习数据驱动的偏微分方程的离散化」中，谷歌探索了机器学习如何为高性能计算提供持续改进的潜在途径，既可以解决偏微分方程，也可以更广泛地用于解决每个科学领域的硬计算问题。