ملخص تقني: AeroJEPA

بيان المشكلة

تعتمد التصميمات الديناميكية الهوائية بشكل متزايد على أنظمة "الاستعلام المتعدد" (many-query) حيث يتعين على المهندسين تقييم حقول تدفق عالية الأبعاد بشكل متكرر عبر مساحات شاسعة من الأشكال الهندسية وظروف التشغيل. وبينما تظل محاكاة ديناميكا السوائل الحسابية (CFD) عالية الدقة هي المعيار الذهبي، إلا أن تكلفتها الحسابية تمنع التحسين المباشر والتكرار السريع. وتواجه النماذج البديلة العصبية الموجودة محاولات لمعالجة ذلك، لكنها تواجه قيدين حرجين في الديناميكا الهوائية ثلاثية الأبعاد الواقعية:

1. القابلية للتوسع: تم تحسين العديد من النهج للتنبؤ المباشر بالمجال على شبكات تقسيم ثابتة، مما يجعل من الصعب توسيع نطاقها لتشمل أحجام المخرجات الضخمة (على سبيل المثال، عشرات الملايين من النقاط) الموجودة في محاكاة الطبقة الحدودية عالية الدقة.
2. الافتقار إلى البنية الدلالية: حتى النماذج الدقيقة غالبًا ما تفشل في إنتاج تمثيلات كامنة مفيدة مباشرة للتحليل أو التصميم. فهي تتنبأ بالحقول ولكنها لا تنتج متغيرات كامنة مرتبطة بوضوح بالهندسة، أو ظروف التشغيل، أو الفيزياء الأساسية، مما يعيق فائدتها في الفهم العلمي وتحسين التصميم القائم على التدرج (gradient-based design optimization).

المنهجية: AeroJEPA

قدم المؤلفون AeroJEPA، وهي بنية تنبؤية ذات تضمين مشترك (Joint-Embedding Predictive Architecture) مصممة لنمذجة المجال الديناميكي الهوائي ثلاثي الأبعاد. وعلى عكس النماذج البديلة التقليدية التي تربط الهندسة مباشرة بحقول تدفق عالية الأبعاد أو المشفرات التلقائية (autoencoders) التي تركز على إعادة بناء البكسل/الفكسل، يعمل AeroJEPA ضمن فضاء كامن متعلم وذي معنى فيزيائي.

البنية الأساسية

تقوم الإطار العملي بفصل ترميز الهندسة، والتنبؤ الكامن، وفك تشفير المجال من خلال واجهة رمزية (tokenized interface):

• مشفر السياق ($E_c$): يربط التصميم الهندسي (الممثل كسحابة نقاط غير منتظمة لنقاط الشروط الحدودية) وظروف التشغيل (مثل زاوية الهجوم، ورقم رينولدز، ورقم ماخ) بمجموعة ثابتة الحجم من رموز السياق ($Z_c$).
• مشفر الهدف ($E_t$): يُستخدم فقط أثناء التدريب، ويقوم برسم حقل السوائل الحقيقي (المأخوذ كعينات فرعية بشكل مستقل عن الهندسة) إلى رموز الهدف ($Z_t$).
• المتنبئ ($f^{pred}_\theta$): بدلاً من التنبؤ بالمجال الكثيف مباشرة، يعمل المتنبئ بالكامل داخل الفضاء الرمزي الكامن. وهو يأخذ رموز السياق ($Z_c$) وظروف التشغيل ($c$) للتنبؤ برموز التدفق المستهدفة ($\hat{Z}_t$). هذه الصيغة تتعلم الخريطة من الرموز المشروطة بالهندسة إلى الرموز المشروطة بالتدفق.
• مفكك الشفرة للتمثيل العصبي الضمني (INR Decoder) ($f^{dec}_\phi$): هو مفكك شفرة مستمر اختياري يقوم بإعادة بناء حقل السوائل الفيزيائي (السرعة، الضغط) عند أي نقاط استعلام مكانية $q$ من الحالة الكامنة المتنبأ بها $\hat{Z}_t$. وهذا يسمح بمخرجات مستقلة عن الدقة (resolution-independent) دون الحاجة إلى شبكة حجمية (volumetric meshing).

أهداف التدريب

يستخدم AeroJEPA سير عمل تدريبي مقترن لتجنب انهيار التمثيل مع ضمان الصلاحية الفيزيائية:

• فقدان المطابقة الكامنة ($L_{lat}$): يعمل على محاذاة الرموز المتنبأ بها ($\hat{Z}_t$) مع رموز الهدف ($Z_t$) رمزًا تلو الآخر.
• فقدان إعادة البناء ($L_{rec}$): عند تضمين مفكك الشفرة، فإنه يقلل الخطأ بين المجال المعاد بناؤه والحقيقة عند نقاط الاستعلام المأخوذة عينات.
• تنظيم SIGReg ($L_{sig}$): منظم صريح يتم تطبيقه على التوزيع الكامن لمنع الانهيار وتشجيع فضاء تضمين واسع الانتشار، مما يحل محل الحاجة إلى معلم (teacher) يعمل بالمتوسط المتحرك الأسي (EMA) أو هيورستيكات إيقاف التدرج (stop-gradient).

إجمالي الفقد هو مجموع موزون: $L_{total} = \lambda_\ell L_{lat} + \lambda_r L_{rec} + \lambda_s L_{sig}$.

المساهمات الرئيسية

1. بنية تنبؤية كامنة بأسلوب JEPA: يصيغ البحث نهجًا جديدًا للنماذج البديلة يجمع بين التنبؤ الكامن المشروط بالهندسة ومفكك شفرة INR مستمر، مما ينقل مشكلة التعلم المكلفة من التنبؤ بالمجال الكثيف إلى التنبؤ الرمزي المنظم.
2. فضاءات كامنة ذات معنى دلالي: أظهر المؤلفون أن الفضاءات الكامنة المتعلمة ليست مجرد وصفية بل هي متوافقة بنيويًا مع متغيرات التصميم والكميات الديناميكية الهوائية. وبالرغم من عدم التدريب على المعاملات المتكاملة (مثل $C_L$ أو $C_D$) أو بارامترات تصميم محددة، يمكن استعادة هذه الكميات خطيًا من الفضاء الكامن بدقة عالية.
3. القابلية للتوسع وفائدة التحسين: أثبتت الطريقة قدرتها التنافسية في التنبؤ بالمجال مع التوسع الطبيعي للمخرات عالية الدقة. علاوة على ذلك، فإن البنية الكامنة السلسة تتيح سير عمل تحسين سلس وقابل للتفاضل في الفضاء الكامن، مما يتجاوز الحاجة إلى تكرار معالجة الشبكة أو فك تشفير المجال الكامل أثناء حلقة التحسين.

النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات متكاملتين: HiLiftAeroML (حقول طبقة حدودية عالية الدقة وكبيرة النطاق على طائرات واقعية عالية الرفع) و SuperWing (تعميم واسع على عائلة بارامترية من الأجنحة العابرة للصوت).

• دقة النموذج البديل: في HiLiftAeroML، تفوق AeroJEPA على النماذج المرجعية (FigConvUNet, GeoTransolver, Transolver) في أخطاء $L_2$ و $L_1$ النسبية لحقول الضغط والسرعة مع تطلب تكلفة استدلال حسابية أقل بكثير (على سبيل المثال، ~57 TFLOPs مقابل ~88–309 TFLOPs للنماذج المرجعية). وقد نجح في التقاط هياكل التدفق المنفصل المعقدة على تكوينات غير مرئية.
• البنية الكامنة:
  • الاستقصاء (Probing): استعادت المسابير الخطية انحرافات أسطح التحكم عالية الرفع من السياقات الكامنة بقيم $R^2$ تتراوح بين 0.965 و 0.988، والمعاملات الديناميكية الهوائية ($C_L, C_D$) من السياقات المتنبأ بها بقيم $R^2$ بلغت 0.930 و 0.996 على التوالي.
  • الاستكمال والعمليات الحسابية: دعم الفضاء الكامن الاستكمال المحكوم بين ظروف التشغيل وحالات الهندسة. وكشفت حسابات متجه المفاهيم أن عناصر التحكم في الجنيحات (flap) والشرائح (slat) كانت شبه منفصلة (فضاءات فرعية متعامدة)، بينما أظهرت الأجزاء الداخلية والخارجية لنفس السطح اقترانًا فيزيائيًا متوقعًا.
• التحسين: في SuperWing، أجرى المؤلفون إثبات مفهوم للتحسين لتعظيم الكفاءة الديناميكية الهوائية ($C_L/C_D$) مباشرة في السياق الكامن المكون من 128 بُعدًا. تقاربت عملية البحث نحو نقطة تصميم تقابل جناحًا عالي الكفاءة (نسبة عرض إلى طول كبيرة، وزاوية سحب عالية) موجودة ضمن نطاق مجموعة البيانات، مما يثبت فائدة الفضاء الكامن لاستكشاف التصميم.

الأهمية والادعاءات

يفترض البحث أن تعلم التنبؤ الكامن هو اتجاه واعد للنماذج البديلة الديناميكية الهوائية. تكمن أهمية AeroJEPA في قدرته على توفير نماذج بديلة ليست فقط قابلة للتوسع ودقيقة، بل أيضًا قابلة للتحليل ومفيدة لاستكشاف مجال التصميم. من خلال فصل التنبؤ عن الدقة المكانية وتنظيم الفضاء الكامن دلاليًا، تتيح الطريقة دورات تصميم سريعة وتنقلاً محكومًا في مجال التصميم دون العبء الحسابي لتقييمات CFD عالية الدقة المتكررة.

يتبنى المؤلفون موقفًا متواضعًا، مشيرين إلى أن الدراسة الحالية محدودة بمجموعتي بيانات وبأنها تركز أساسًا على أنظمة التدفق المستقر. ويُقدم التحسين والتحليلات الكامنة كإثبات مفهوم للبنية الدلالية وليس كخط إنتاج صناعي كامل وشامل. كما تم تحديد العمل المستقبلي لمعالجة أنظمة التدفق الأوسع، والتكامل الوثيق مع خطوط التصميم العكسي، والظروف غير المستقرة أو متعددة الدقة.