From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

Das Entwerfen eines Hydrofoils, der flügelähnlichen Struktur, die ein Boot aus dem Wasser hebt, um den Widerstand zu verringern, ist ein Spiel aus endlosem Ausprobieren und Irrtum. Um die perfekte Form zu finden, müssen Ingenieure tausende Variationen testen und dabei die Krümmung, Dicke und den Winkel des Foils verändern. Für jede neue Form müssen sie eine komplexe Computersimulation durchführen, die die Physik des um das Objekt strömenden Wassers löst. Diese Simulationen sind unglaublich genau, aber auch unglaublich langsam; ein einzener Test kann auf leistungsstarken Computern Stunden dauuern. Aus diesem Grund ist das Erkunden des gesamten Bereichs möglicher Designs oft zu teuer und zeitaufwendig. In den letzten Jahren haben Wissenschaftler versucht, dies zu beschleunigen, indem sie künstliche Intelligenz trainierten, um als Abkürzung zu dienen. Anstatt die physikalischen Gleichungen jedes Mal von Grund auf neu zu lösen, lernen diese KI-Modelle, die Strömung des Wassers und die resultierenden Kräfte basierend auf Mustern vorherzusagen, die sie zuvor gesehen haben. Die Hoffnung ist, dass diese „neuronalen Surrogate“ die besten Designs in Sekunden statt in Stunden finden können.

Ein neuer Bericht des unabhängigen Forschers Aarav Dixit offenbart jedoch einen kritischen Fehler in der Art und Weise, wie wir diese KI-Abkürzungen derzeit beurteilen. Jahrelang war der Standardweg, um zu entscheiden, welches KI-Modell das beste war, darin zu prüfen, wie genau seine vorhergesagte Wasserdruckverteilung mit den langsamen, hochpräzisen Computersimulationen übereinstimmte. Wenn die KI die Druckkarte korrekt wiedergab, galt dies als Erfolg. Aber dieses Paper argumenttiert, dass es nicht zwangsläufig bedeutet, dass die KI einem Ingenieur hilft, den besten Bootsflügel zu finden, wenn sie die Druckkarte richtig wiedergibt. Der wahre Test für ein Designwerkzeug ist nicht nur, wie gut es eine Karte nachahmt, sondern ob es zum selben Gewinnerdesign führt wie die langsame, vertrauenswürdige Methode. Um dies herauszufinden, setzte der Forscher einen strengen direkten Wettbewerb zwischen vier verschiedenen Arten von KI-Modellen auf, wobei er sie alle zwang, dasselbe Designproblem zu lösen, und anschließend ihre Endergebnisse mit frischen, hochpräzisen Simulationen überprüfte.

Die Studie konzentrierte sich auf einen spezifischen Satz von Hydrofoils, die auf Standardformen basieren, die als NACA-Profile bekannt sind und durch einfache Zahlen definiert werden, die ihre Krümmung und Dicke beschreiben. Der Forscher generierte eine Datenbank aus 381 detaillierten Computersimulationen des Wasserflusses über diese Foils bei unterschiedlichen Geschwindigkeiten und Winkeln. Aus diesen Daten wurden vier verschiedene Familien von neuronalen Netzen trainiert, um die Strömung sowie die Kräfte von Auftrieb und Widerstand vorherzusagen. Der erste Typ, ein faltendes neuronales Netz (Convolutional Neural Network), sucht nach lokalen Mustern in der Strömung, ähnlich wie ein menschliches Auge, das eine Karte scannt. Der zweite, ein Fourier-Neuronaler-Operator, analysiert die Strömung, indem er sie in globale Wellen zerlegt. Der dritte, ein Deep Operator Network, trennt die Beschreibung der Form von der Beschreibung der Strömungsbedingungen. Der vierte, ein physikinformiertes neuronales Netz, ist durch die grundlegenden Gesetze der Fluidbewegung eingeschränkt, was es dazu zwingt, die Regeln der Physik zu respektieren, selbst wenn es nur schätzt.

Nach dem Training wurden diese Modelle nicht nur gebeten, einen einzelnen Fall vorherzusagen; man übertrug ihnen die Aufgabe, das bestmögliche Hydrofoil-Design zu finden. Jedem Modell wurden die gleichen Startpunkte und ein striktes Limit von vierzig Versuchen gegeben, um das Design zu verbessern. Das Ziel war es, das Verhältnis von Auftrieb zu Widerstand zu maximieren, was im Wesentlichen bedeutet, das Boot mit weniger Aufwand schneller zu machen. Entscheidend war, dass die Optimierungsschleife vollständig auf den KI-Vorhersagen lief; der langsame, hochpräzise Computer wurde während der Suche ausgeschaltet, um zu sehen, wie sich die KI verhalten würde, wenn sie das einzige verfügbare Werkzeug wäre. Nachdem die KI ihr bestes Design ausgewählt hatte, führte der Forscher eine neue, hochpräzise Simulation für genau diese Form durch, um zu sehen, was die reale Physik sagte. Dieser abschließende Check wurde gegen einen Baseline-Vergleich durchgeführt, bei dem der langsame Computer selbst die Optimierung durchführte, was einen Goldstandard dafür darstellte, was die bestmögliche Antwort sein sollte.

Die Ergebnisse zeigten eine überraschende Diskrepanz zwischen Genauigkeit und Nutzen. In Bezug auf den reinen Vorhersagefehler war ein Modell, das Deep Operator Network, der klare Gewinner. Es sagte den Druck, den Auftrieb und den Widerstand mit der höchsten Präzision bei ungesehenen Testfällen voraus, dicht gefolgt vom physikinformierten Netzwerk. Das physikinformierte Modell war zudem das schnellste und bot eine Beschleunigung von etwa 665-mal gegenüber der traditionellen Simulation. Wenn diese Modelle jedoch tatsächlich dazu verwendet wurden, ein neues Foil zu entwerfen, änderte sich das Bild. Sowohl das Deep Operator Network als auch das physikinformierte Netzwerk fanden Designs, die außergewöhnlich gut performten und Auftrieb-zu-Widerstand-Verhältnisse zwischen 3 sechs und 37 erreichten. Im Gegensatz dazu hatte das Modell, das nach lokalen Mustern suchte, erhebliche Schwierigkeiten und fand Designs, die weitaus weniger effizient waren. Das Modell, das globale Wellen analysierte, war stabil, wählte aber konsequent Designs, die nicht so gut wie die der anderen waren.

Die vielleicht wichtigste Erkenntnis war, dass die Leistung dieser KI-Modelle nicht konsistent war. Wenn der Forscher denselben Optimierungsprozess mehrmals mit leicht unterschiedlichen Startbedingungen durchführte, variierten die finalen Designs. Das Deep Operator Network und das physikinformierte Netzwerk produzierten je nach Durchlauf unterschiedliche Gewinner, während das Modell für lokale Muster sowohl in seinen Vorhersagen als auch in seinen Designentscheidungen instabil war. Darüber hinaus hob die Studie eine verborgene Einschränkung im Verifizierungsprozess selbst hervor. Selbst wenn die KI ein großartiges Design fand, zeigte die abschließende Prüfung mittels der hochpräzisen Simulation, dass die Ergebnisse empfindlich auf die Auflösung des Computergitters reagierten. Insbesondere die Widerstandskraft änderte sich um bis zu 26 Prozent, wenn das Simulationsgitter feiner gestaltet wurde, was darauf hindeutet, dass selbst die „Wahrheit“, die zur Verifizierung der KI genutzt wird, eigene Unsicherheiten besitzt.

Diese Arbeit zeigt, dass der Weg von einer guten Vorhersage zu einem guten Design nicht geradlinig ist. Ein Modell kann exzellent darin sein, den Druck an jedem Punkt eines Flügels zu erraten, aber dennoch scheitern, einen Ingenieur zur optimalen Form zu führen. Die Studie kommt zu dem Schluss, dass das Feld des wissenschaftlichen maschinellen Lernens über einfache Fehlermetriken hinausgehen muss. Um die Lücke zwischen künstlicher Intelligenz und Ingenieurwesen wirklich zu schließen, müssen diese Werkzeuge anhand der Qualität der von ihnen erzeugten Designs und der Robustheit dieser Designs unter verschiedenen Bedingungen bewertet werden. Die beste KI ist nicht unbedingt diejenige, die die genaueste Karte zeichnet, sondern diejenige, die zuverlässig zum besten Ziel führt.