Resumen Técnico: Modelos de Deriva para el Modelado de Flujo Sustituto

Planteamiento del Problema

La Dinámica de Fluidos Computacional (CFD) es el estándar para optimizar entornos interiores y garantizar la calidad del aire, ofreciendo campos de flujo de alta fidelidad. Sin embargo, su alto coste computacional impide una exploración rápida de diseños y un control en tiempo real. Aunque los modelos sustitutos basados en datos ofrecen una solución, se enfrentan a un compromiso: las arquitecturas deterministas (p. ej., FNOs, U-Nets) son rápidas pero a menudo fallan al capturar distribuciones de flujo complejas y multimodales, prediciendo expectativas suavizadas. Por el contrario, los enfoques generativos como los modelos de difusión capturan la complejidad física y la incertidumbre, pero sufren de una inferencia lenta debido a los procesos iterativos de eliminación de ruido que requieren cientos de evaluaciones de la función neuronal (NFE).

Metodología

Los autores adaptan el marco de deriva generativa [11] a la mecánica de fluidos para lograr una generación de alta calidad en un solo paso. A diferencia de la difusión o el ajuste de flujo (flow matching), que aprenden trayectorias iterativas de ruido a datos, los modelos de deriva evolucionan una distribución de empuje $q$ durante el entrenamiento para coincidir con la distribución de datos $p$ mediante un campo de deriva $V_{p,q}$.

Adaptaciones Críticas para CFD

Para aplicar la deriva al flujo interior, los autores introdujeron tres modificaciones críticas:

1. Deriva en el Espacio Latente mediante VAE:
   En lugar de operar en el espacio de píxeles brutos o utilizar características de imágenes preentrenadas, los autores entrenaron un Autoencoder Variacional (VAE) convolucional con sus datos de simulación. Esto mapea campos de velocidad de $64 \times 64$ a una representación latente compacta de $4 \times 4 \times 16$. La deriva ocurre dentro de este espacio latente, preservando la integridad estructural y evitando características preentrenadas subóptimas.

2. Arquitectura Condicional:
   El modelo está condicionado por las condiciones de contorno, incluyendo las posiciones de entrada/salida, la geometría de la habitación y la magnitud de la velocidad de entrada ($v_{in}$). Se investigaron dos variantes de condicionamiento:

   • Basada en etiquetas: Trata la entrada/salida como identificadores discretos de un catálogo fijo, integrándolos mediante una tabla aprendida. Esto está restringido a configuraciones enumeradas.
   • Espacial: Reemplaza los identificadores con una máscara binaria de tres canales que codifica explícitamente la ubicación de la entrada, la salida y los obstáculos. Esta variante busca generalizarse a geometrías no vistas.
     Ambas variantes integran la velocidad escalar mediante un MLP y la combinan con la incrustación de la geometría para dirigir un núcleo de Transformador de Difusión (DiT).

3. Enmascaramiento Positivo Consciente de Etiquetas:
   Para manejar entornos con escasez de datos donde los lotes contienen condiciones mixtas, los autores introdujeron una máscara de compatibilidad binaria. Esta controla el núcleo de atracción en el campo de deriva, asegurando que las muestras generadas solo deriven hacia muestras positivas con triples coincidentes de (entrada, salida, geometría). Esto evita que el modelo promedie entre regímenes de flujo incompatibles.

Comparación con el Modelo Base

Los modelos de deriva se compararon contra un modelo base de Modelo de Difusión Latente (LDM) [19, 20] que opera en el mismo espacio latente. El LDM utiliza un esquema de coseno de 1,000 pasos con atención cruzada para el condicionamiento y muestreo DDIM para la inferencia.

Configuración Experimental

• Conjunto de Datos: 2,025 simulaciones 2D de estado estacionario de flujo de aire incompresible en una habitación de $1.5\text{m} \times 1.5\text{m}$, generadas usando Simcenter STAR-CCM+ (modelo RANS $k$-$\epsilon$).
• Configuraciones: Tres setups geométricos (habitación vacía, obstáculo central, obstáculo descentrado) con variaciones sistemáticas en las posiciones de entrada/salida (15 cada una) y velocidades de entrada (0.1, 0.2, 0.3 m/s).
• Métricas: Evaluado en precisión de campo (nRMSE, $R^2$, Similitud de Coseno) y consistencia de la estructura del flujo (Brecha de divergencia, Brecha de vorticidad).

Resultados

Rendimiento Cuantitativo

• Precisión: El modelo base de difusión logró la mayor precisión (nRMSE: 0.059). El modelo de deriva basado en etiquetas le siguió de cerca (nRMSE: 0.068), demostrando una precisión competitiva en un solo paso. La variante de deriva espacial mostró una fidelidad menor (nRMSE: 0.108) y mayor varianza, particularmente al capturar la magnitud, aunque recuperó las direcciones de flujo dominantes.
• Estructura de Flujo: El modelo de deriva basado en etiquetas mantuvo una consistencia de estructura de flujo competitiva, con brechas de divergencia y vorticidad comparables al modelo base de difusión. La variante espacial exhibió una sobrepredicción sistemática de las estructuras rotacionales.
• Velocidad de Inferencia: El modelo de deriva es dos órdenes de magnitud más rápido que el modelo base de difusión. En una NVIDIA A100, el modelo de deriva logró una latencia de 6.74 ms (1 NFE) frente a los 1870.2 ms (1000 NFE) del modelo de difusión.

Observaciones Cualitativas

• En escenarios de habitación vacía, el modelo de deriva basado en etiquetas recuperó con éxito las topologías de flujo primarias, incluyendo chorros y zonas de recirculación en las esquinas, con distribuciones de error comparables al modelo base de difusión.
• En escenarios con obstáculos, la variante de condicionamiento espacial capturó la topología esencial (división de flujo, separación de frontera) pero tuvo dificultades con la escala de velocidad, produciendo sobrepredicciones localizadas.

Significación y Reivindicaciones

El artículo postula que la deriva condicional sirve como una alternativa altamente eficiente a los enfoques basados en difusión para el modelado de flujo sustituto. La principal significación radica en desbloquear sustitutos de CFD en tiempo real donde la velocidad de inferencia es crítica, sin la carga computacional iterativa de la difusión.

• Eficiencia: El modelo logra NFE=1, reduciendo el tiempo de inferencia en aproximadamente ~280x en comparación con un modelo de difusión de 1000 pasos, manteniendo una precisión competitiva.
• Generalidad: Aunque la implementación actual basada en etiquetas está limitada a configuraciones enumeradas, los autores proponen la variante de condicionamiento espacial como un camino prometedor hacia la generalización a geometrías no vistas, a pesar de las brechas de rendimiento actuales.
• Marco de Trabajo: Este trabajo establece un marco reutilizable para sustitutos de computación científica, combinando deriva en el espacio latente, condicionamiento escalar espacial y enmascaramiento consciente de etiquetas.

Los autores concluyen que, si bien la difusión es ligeramente más precisa, la estrecha brecha de rendimiento combinada con la enorme ventaja de velocidad hace que la deriva de un solo paso sea una solución viable para aplicaciones con restricciones de coste. El trabajo futuro se dirige a cerrar la brecha de precisión para el condicionamiento espacial y extender el modelo a regímenes 3D transitorios.