Resumen Técnico: AeroJEPA

Enunciado del Problema

El diseño aerodinámico depende cada vez más de regímenes de "múltiples consultas" donde los ingenieros deben evaluar repetidamente campos de flujo de alta dimensión a través de vastos espacios de geometrías y condiciones de operación. Aunque la Dinámica de Fluidos Computacional (CFD) de alta fidelidad sigue siendo el estándar de oro, su costo computacional prohíbe la optimización directa y la iteración rápida. Los modelos sustitutos neuronales existentes intentan abordar esto, pero enfrentan dos limitaciones críticas en la aerodinámica 3D realista:

1. Escalabilidad: Muchos enfoques están optimizados para la predicción directa de campos en discretizaciones fijas, lo que dificulta su escalado a los tamaños de salida masivos (por ejemplo, decenas de millones de puntos) encontrados en simulaciones de capa límite de alta fidelidad.
2. Falta de Estructura Semántica: Incluso los modelos precisos a menudo fallan en producir representaciones latentes que sean directamente útiles para el análisis o el diseño. Predicen campos pero no generan variables latentes claramente alineadas con la geometría, las condiciones de operación o la física subyacente, lo que obstaculiza su utilidad para la comprensión científica y la optimización de diseño basada en gradientes.

Metodología: AeroJEPA

Los autores introducen AeroJEPA, una Arquitectura de Predicción de Incrustación Conjunta adaptada para el modelado de campos aerodinámicos 3D. A diferencia de los sustitutos tradicionales que mapean la geometría directamente a campos de flujo de alta dimensión o los autoencodificadores que se centran en la reconstrucción de píxeles/vóxeles, AeroJEPA opera dentro de un espacio latente aprendido y físicamente significativo.

Arquitectura Central

El marco desacopla la codificación de la geometría, la predicción latente y la decodificación del campo a través de una interfaz tokenizada:

• Codificador de Contexto ($E_c$): Mapea el diseño geométrico (representado como una nube de puntos no estructurada de puntos de condición de contorno) y las condiciones de operación (por ejemplo, ángulo de ataque, número de Reynolds, número de Mach) en un conjunto de tamaño fijo de tokens de contexto ($Z_c$).
• Codificador de Objetivo ($E_t$): Utilizado solo durante el entrenamiento, este mapea el campo de fluido de verdad fundamental (submuestreado independientemente de la geometría) en tokens de objetivo ($Z_t$).
• Predictor ($f^{pred}_\theta$): En lugar de predecir el campo denso directamente, el predictor opera enteramente en el espacio latente tokenizado. Toma los tokens de contexto ($Z_c$) y las condiciones de operación ($c$) para predecir los tokens de flujo objetivo ($\hat{Z}_t$). Esta formulación aprende el mapa desde los tokens condicionados por la geometría hasta los tokens condicionados por el flujo.
• Decodificador de Representación Neuronal Implícita (INR) ($f^{dec}_\phi$): Un decodificador continuo opcional que reconstruye el campo de fluido físico (velocidad, presión) en puntos de consulta espaciales arbitrarios $q$ a partir del estado latente predicho $\hat{Z}_t$. Esto permite una salida independiente de la resolución sin requerir mallado volumétrico.

Objetivos de Entrenamiento

AeroJEPA emplea un flujo de trabajo de entrenamiento acoplado para evitar el colapso de la representación mientras asegura la validez física:

• Pérdida de Ajuste Latente ($L_{lat}$): Alinea los tokens predichos ($\hat{Z}_t$) con los tokens de objetivo ($Z_t$) token a token.
• Pérdida de Reconstrucción ($L_{rec}$): Cuando se incluye el decodificador, minimiza el error entre el campo decodificado y la verdad fundamental en los puntos de consulta muestreados.
• Regularización SIGReg ($L_{sig}$): Un regularizador explícito aplicado a la distribución latente para prevenir el colapso y fomentar un espacio de incrustación bien distribuido, reemplazando la necesidad de maestros de Promedio Móvil Exponencial (EMA) o heurísticas de gradiente detenido.

La pérdida total es una suma ponderada: $L_{total} = \lambda_\ell L_{lat} + \lambda_r L_{rec} + \lambda_s L_{sig}$.

Contribuciones Clave

1. Arquitectura Latente Predictiva Estilo JEPA: El artículo formula un enfoque novedoso de modelado sustituto que combina la predicción latente condicionada por geometría con un decodificador INR continuo, desplazando el problema de aprendizaje costoso desde la predicción de campos densos hacia la predicción latente estructurada.
2. Espacios Latentes Semánticamente Significativos: Los autores demuestran que los espacios latentes aprendidos no son meramente descriptivos, sino que están estructuralmente alineados con las variables de diseño y las cantidades aerodinámicas. A pesar de no haber sido entrenados con coeficientes integrados (como $C_L$ o $C_D$) o parámetros de diseño específicos, estas cantidades pueden recuperarse linealmente del espacio latente con alta fidelidad.
3. Escalabilidad y Utilidad para Optimización: Se ha demostrado que el enfoque es competitivo para la predicción de campos mientras escala naturalmente a salidas de alta resolución. Además, la estructura latente suave permite un flujo de trabajo de optimización ligero y diferenciable en el espacio latente, evitando la necesidad de manipulación repetida de mallas o decodificación de campo completo durante el bucle de optimización.

Resultados Experimentales

El método fue evaluado en dos conjuntos de datos complementarios: HiLiftAeroML (campos de capa límite de alta fidelidad y gran escala en aeronaves de gran sustentación realistas) y SuperWing (generalización amplia sobre una familia paramétrica de alas transónicas).

• Precisión del Sustituto: En HiLiftAeroML, AeroJEPA superó a los modelos de referencia (FigConvUNet, GeoTransolver, Transolver) en errores relativos $L_2$ y $L_1$ para campos de presión y velocidad, mientras requería un costo computacional de inferencia significativamente menor (por ejemplo, ~57 TFLOPs frente a ~88–309 TFLOPs para los modelos de referencia). Capturó con éxito estructuras complejas de flujo separado en configuraciones no vistas.
• Estructura Latente:
  • Sondeo: Los sondas lineales recuperaron las desviaciones de las superficies de control de gran sustentación a partir de latentes de contexto con valores de $R^2$ entre 0.965 y 0.988, y los coeficientes aerodinámicos ($C_L, C_D$) a partir de latentes predichos con $R^2$ de 0.930 y 0.996, respectivamente.
  • Interpolación y Aritmética: El espacio latente soportó interpolación controlada entre condiciones de operación y estados geométricos. La aritmética de vectores conceptuales reveló que los controles de flap y slat estaban casi desacoplados (subespacios ortogonales), mientras que los segmentos internos/externos de la misma superficie mostraron el acoplamiento físico esperado.
• Optimización: En SuperWing, los autores realizaron una optimización de prueba de concepto para maximizar la eficiencia aerodinámica ($C_L/C_D$) directamente en el espacio latente de contexto de 128 dimensiones. La búsqueda convergió a un punto de diseño correspondiente a una configuración de ala de alta eficiencia (alta relación de aspecto, alta flecha) que existía dentro del envolvente del conjunto de datos, demostrando la utilidad del espacio latente para la exploración de diseño.

Significado y Afirmaciones

El artículo postula que el aprendizaje latente predictivo es una dirección prometedora para el modelado sustituto aerodinámico. El significado de AeroJEPA radica en su capacidad para proporcionar sustitutos que no solo son escalables y precisos, sino también analizables y útiles para la exploración del espacio de diseño. Al desacoplar la predicción de la resolución espacial y organizar el espacio latente semánticamente, el método permite ciclos de diseño rápidos y una travesía controlada del espacio de diseño sin la sobrecarga computacional de evaluaciones CFD de alta fidelidad repetidas.

Los autores mantienen una postura modesta, señalando que el estudio actual se limita a dos conjuntos de datos y principalmente a regímenes de flujo estacionario. Las optimizaciones y análisis latentes se presentan como demostraciones de prueba de concepto de la estructura semántica en lugar de una tubería de diseño industrial completa y de extremo a extremo. Se identifica que el trabajo futuro es necesario para abordar regímenes de flujo más amplios, una integración más estrecha con tuberías de diseño inverso, y configuraciones no estacionarias o de múltiples fidelidades.