💻 computer science

Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

Este artículo propone un marco de optimización de forma con restricciones de conocimiento que integra un Operador Neuronal de Mezcla de Expertos con retroalimentación consciente de la incertidumbre para automatizar las restricciones de ingeniería y lograr reducciones de arrastre del 4 al 10 % con alta confianza a través de diversas geometrías de vehículos.

Autores originales: Wenhao Fan, Yuanwei Bin, Jianghan Gu, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Publicado 2026-07-14

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wenhao Fan, Yuanwei Bin, Jianghan Gu, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un maestro escultor intentando tallar un coche más rápido y elegante a partir de un bloque gigante de arcilla. Pero hay un truco: no puedes golpear la arcilla en cualquier lugar. Tienes reglas estrictas. No puedes cambiar la forma de las ventanas porque la gente necesita ver hacia afuera, no puedes hacer el coche demasiado ancho o no cabrá en un garaje, y no puedes meterte con el compartimento del motor. En el mundo real, los ingenieros experimentados suelen tener que sentarse y dibujar manualmente estas "zonas seguras" en el plano antes de empezar a retocar el diseño. Es lento y depende totalmente de su memoria y experiencia.

Este artículo presenta un nuevo asistente superinteligente que hace dos grandes cosas: dibuja automáticamente esas "zonas seguras" por ti y construye un cristal de bola que predice qué tan rápido irá tu coche sin que tengas que realizar un millón de costosos ensayos en túnel de viento.

El asistente de "Reglas Inteligentes"
Primero, el equipo enseñó a su computadora a leer una biblioteca de libros de reglas de ingeniería, directrices de seguridad y estándares de diseño. Cuando le muestras una imagen de un coche, la computadora utiliza un "modelo de visión y lenguaje" (piensa en esto como un robot que puede ver y leer al mismo tiempo) para determinar exactamente qué partes se pueden cambiar. Podría decir: "Bien, podemos retocar el parachoques delantero y el capó, pero el pilar A (ese poste que sostiene el parabrisas) debe quedarse en su lugar".

En lugar de solo adivinar, la computadora traduce estas reglas en cajas 3D invisibles alrededor del coche. Luego, utiliza un truco matemático llamado "Deformación de Forma Libre Directa" para mover la arcilla dentro de esas cajas. Esto asegura que cada nueva forma que la computadora invente sea físicamente posible y respete todas las reglas de seguridad y fabricación. Es como tener un robot que solo te permite esculpir las partes del coche que tienen permitido moverse, manteniendo el resto perfectamente rígido.

El Cristal de Bola del "Panel de Expertos"
Ahora bien, normalmente, para ver si una nueva forma de coche es rápida, tienes que ejecutar una simulación computacional masiva llamada CFD (Dinámica de Fluidos Computacional). Esto es como pasar el coche por un túnel de viento virtual. Es increíblemente preciso, pero requiere tanta potencia de cómputo que no puedes probar cada una de tus ideas.

Por eso, los ingenieros suelen utilizar un "modelo sustituto", un IA rápido y económico que adivina los resultados del túnel de viento. Pero aquí está el problema: si la IA no ha visto una forma como la tuya antes, podría adivinar erróneamente de forma estrepitosa. Es como preguntarle a un pronosticador del tiempo que solo conoce el verano que prediga una tormenta de nieve; podrían decir "soleado" cuando en realidad está nevando.

Los autores construyeron un nuevo tipo de IA llamado Mixture-of-Experts Neural Operator (MoE-NO). Imagina que esto no es solo una IA, sino un panel de diferentes expertos. Un experto sabe sobre SUVs, otro sobre sedanes y otro sobre minivans. Cuando le muestras a la IA una nueva forma de coche, una "red de compuerta" (el líder del equipo) pregunta: "¿Qué experto conoce mejor esta forma?", y luego combina sus respuestas.

El artículo muestra que este "panel de expertos" es mucho mejor que los modelos de IA única anteriores. En un conjunto de prueba de 450 formas de coches, la IA predijo la resistencia al arrastre (drag) con un error de solo 1.16%, superando al mejor modelo anterior que tenía un error de 1.52%. Lo que es más importante, acertó la tendencia el 94.34% de las veces. Esto significa que si un coche es más rápido que otro, la IA adivina correctamente cuál es más rápido, lo cual es crucial para encontrar el mejor diseño.

La Red de Seguridad de "Confiar pero Verificar"
La parte más genial es cómo el sistema maneza la incertidumbre. La IA sabe cuándo está adivinando. Utiliza una "puntuación de incertidumbre" matemática para comprobar si la forma del coche que está mirando es algo que ha visto antes.

Si la IA está segura: Dice: "Estoy 99% segura de que esta forma es buena", y sigues adelante sin necesidad de realizar el costoso test de túnel de viento.
Si la IA está nerviosa: Dice: "Nunca he visto una forma como esta, no estoy seguro", y esto activa un mecanismo de "solucionador de física en el bucle". Esto significa que ejecuta silenciosamente algunos tests de túnel de viento reales, de alta fidelidad, solo para esa forma específica y difícil, para aprender de ella, y luego actualiza su panel de expertos.

Este enfoque de "compuerta de incertidumbre" salvó el día en un caso de prueba con un SUV. La IA inicialmente pensó que había encontrado un diseño que reducía la resistencia al arrastre en un 4.36%, pero debido a que la puntuación de incertidumbre era alta, realizaron la prueba real. La prueba real mostró que la IA estaba equivocada; la reducción de la resistencia era en realidad de 7.96% (espera, el papel dice que la predicción inicial fue errónea, y tras el refinamiento, la reducción verificada fue de 7.96%). Después de que la IA aprendiera de los datos de la prueba real, corrigió su suposición, y la reducción de arrastre verificada final saltó al 7.96%. Sin esta red de seguridad, podrían haber aceptado un mal diseño o perdido uno excelente.

El Desafío de "Fuera de la Distribución"
Para probar realmente el sistema, los investigadores lanzaron una curva inesperada: una forma de coche (llamada "Sedantest") que era completamente diferente de todo lo que había en su biblioteca de entrenamiento. La IA inicial falló estrepitosamente, con un error de predicción del 14.88% y una puntuación de precisión negativa (R² = -18.42), lo que significa que estaba adivinando al azar.

Pero el "compuerta de nivel de distribución" del sistema detectó esto. Se dio cuenta de: "¡Oye, este es un tipo de coche nuevo que no hemos visto!". Luego generó 150 nuevos diseños locales alrededor de este coche extraño, realizó las pruebas reales de túnel de viento en ellos y enseñó a un nuevo "experto" al panel. Después de este entrenamiento rápido, la precisión de la IA se disparó con un error de solo 1.84%. Luego optimizó con éxito este nuevo coche, reduciendo su resistencia al arrastre en un 7.43%.

Lo que el Artículo Dice que NO ES
Los autores son muy claros sobre lo que esto no es. No están diciendo que esto resuelva cada problema de diseño. No pretenden que la IA funcione perfectamente sin intervención humana o datos históricos. De hecho, argumentan en contra de la idea de usar un único modelo de IA global para todos los tipos de coches, mostrando que esto conduce a errores cuando los datos están mezclados. También señalan que este método todavía requiere algunas pruebas reales de túnel de viento (CFD) para verificar los resultados, especialmente cuando la IA no está segura; no reemplaza la física por completo, simplemente hace que el proceso sea más inteligente y seguro.

La Conclusión
En estas simulaciones y pruebas, el equipo demostró que, al combinar "reglas inteligentes" para dar forma al coche con una IA de "panel de expertos" que sabe cuándo pedir ayuda, se pueden diseñar coches más rápidos de manera más fiable. Lograron reducciones de resistencia al arrastre del 10.52% para una minivan y del 4.17% para un sedán sin necesidad de comprobaciones adicionales, y hasta un 7.96% para un SUV tras una rápida verificación de seguridad. Es una forma de hacer que el diseño de alta tecnología sea menos una apuesta y más un viaje guiado y seguro.

Resumen Técnico: Optimización de Forma Restringida por Conocimiento con un Operador Neuronal de Mezcla de Expertos

Planteamiento del Problema

La optimización de formas de ingeniería enfrenta desafíos tanto a nivel de aplicación como técnico. A nivel de aplicación, la definición de los ajustes de optimización —como las regiones editables, los rangos de deformación y las restricciones de preservación de diseño— depende típicamente de la traducción manual del conocimiento experto por parte de ingenieros experimentados, lo que dificulta su automatización y genera un acoplamiento débil con los resolvedores posteriores. A nivel técnico, los métodos de optimización basados en sustitutos suelen sufrir de una fiabilidad limitada cuando se aplican a bases de datos de geometrías heterogéneas o cuando las trayectorias de optimización entran en regiones fuera de la distribución (OOD). Estos problemas surgen de tres fuentes primarias de error en el diseño inverso asistido por sustitutos: (1) el sesgo local derivado de representar familias de diseño heterogéneas con un único sustituto global; (2) la cobertura insuficiente de la geometría de consulta por parte de la base de datos de simulaciones históricas; y (3) los errores de extrapolación inducidos por el propio proceso de optimización al desplazar los candidatos hacia regiones con muestreo escaso.

Metodología

Los autores proponen un marco de optimización de forma restringido por conocimiento integrado con un Operador Neuronal de Mezcla de Expertos (MoE-NO) para permitir un diseño de alta confianza. El marco opera a través de dos módulos estrechamente acoplados:

1. Construcción del Espacio de Diseño Restringido por Conocimiento
Este módulo traduce el conocimiento del dominio ( $K$ ) en parámetros cuantificables para los operadores de deformación.

Recuperación y Fundamentación de Conocimiento: Utilizando Generación Aumentada por Recuperación (RAG) sobre estándares y directrices de diseño, y un Modelo de Lenguaje y Visión (VLM) para el análisis visual, el sistema identifica regiones editables, direcciones de deformación admisibles y restricciones de preservación (p. ej., empaquetado, seguridad, manufacturabilidad).
Reconstrucción de Caja de Control 3D: El VLM localiza regiones editables semánticas en imágenes multivista, que luego se fusionan en un conjunto de cajas de control editables tridimensionales ( $C$ ).
Deformación Consciente de Restricciones: Un operador de Deformación de Forma Libre Directa (DFFD) convierte estas cajas de control y los límites recuperados en actualizaciones de geometría suave ( $G'(\theta)$ ). Esto asegura que el optimizador numérico busque dentro de un espacio de perturbación restringido por conocimiento $\Omega(C)$ en lugar de un espacio de perturbación sin restricciones, preservando la identidad del diseño y las restricciones funcionales.

2. Optimización de Alta Confianza con MoE-NO
Este módulo aborda la fiabilidad del sustituto mediante una estrategia de resolvedor de física en el bucle (physics-solver-in-the-loop).

Sustituto MoE-NO: En lugar de un único modelo global, el sustituto emplea una red de compuerta (gating network) para dirigir las geometrías hacia múltiples operadores expertos neuronales. Esto permite al modelo capturar relaciones distintas entre geometría y rendimiento a través de conjuntos de datos heterogéneos (p. ej., MPV, SUV, Sedán).
Detección de OOD: Antes de la optimización, el codificador del MoE-NO mapea las geometrías de consulta a un espacio latente. Utilizando la distancia euclidiana de los k-vecinos más cercanos (KNN), la distancia media de KNN y la similitud de coseno, el sistema determina si una consulta es OOD respecto a la base de datos histórica.
- Si es OOD: El sistema activa una "compuerta a nivel de distribución", generando muestras de alta fidelidad locales alrededor de la consulta, añadiendo una nueva rama de experto al MoE-NO y ajustando el modelo para adaptarse a la nueva familia de diseño.
Refinamiento en Línea Guiado por Incertidumbre: Durante la optimización, se computa una puntuación de incertidumbre basada en la distancia de Mahalanobis para los óptimos candidatos.
- Si la incertidumbre es baja: El candidato se acepta sin una llamada al resolvedor de alta fidelidad.
- Si la incertidumbre es alta: El candidato se envía a un resolvedor CFD de alta fidelidad. Si el resultado del resolvedor difiere significativamente de la predicción del sustituto o no logra confirmar una mejora, el sistema activa el "refinamiento en línea". Esto implica generar muestras locales cerca del candidato, actualizar la base de datos de entrenamiento y realizar un ajuste fino (fine-tuning) del MoE-NO antes de reiniciar la optimización.

Contribuciones Clave

Integración Automatizada de Conocimiento: Un marco que traduce automáticamente el conocimiento de ingeniería no estructurado y la intención del usuario en cajas de control editables y límites de deformación estructurados utilizando LLMs, VLMs y RAG, reduciendo la dependencia de la configuración manual de ingeniería.
Arquitectura MoE-NO: Un Operador Neuronal de Mezcla de Expertos que mejora la precisión del sustituto y la predicción de tendencias en conjuntos de datos aerodinámicos heterogéneos mediante el enrutamiento dinámico de entradas hacia expertos especializados.
Estrategia de Fiabilidad de Doble Compuerta: Un bucle de optimización novedoso que combina la detección de OOD a nivel de distribución (para manejar nuevas familias de diseño) y la compuerta de incertidumbre a nivel de optimización (para manejar la extrapolación inducida por la búsqueda). Esta estrategia utiliza selectivamente los resolvedores de alta fidelidad costosos solo para el enriquecimiento de la base de datos y la corrección de errores locales, en lugar de para cada evaluación de candidato.

Resultados

El marco fue evaluado con conjuntos de datos propios para vehículos MPV, SUV y Sedán, utilizando una geometría "Sedantest" como caso OOD.

Precisión del Sustituto: En el conjunto de prueba dentro de la distribución (in-distribution), el MoE-NO logró un Error Porcentual Absoluto Medio (MAPE) del 1.16% y una precisión de predicción de tendencia del 94.34%, superando a los modelos base Transolver (MAPE 1.52%, tendencia 90.34%) y DragSolver.
Optimización In-Distribution: Se lograron reducciones del coeficiente de arrastre validadas por CFD del 10.52% (MPV) y 4.17% (Sedán) sin refinamiento en línea. Para el caso del SUV, donde la predicción inicial del sustituto presentaba una alta incertidumbre, el refinamiento en línea redujo la discrepancia sustituto-CFD de 2.78% a 1.25% y mejoró la reducción de arrastre validada de 4.36% a 7.96%.
Adaptación Fuera de la Distribución (OOD): Para la geometría Sedantest (inicialmente OOD con $R^2 = -18.42$ y MAPE = 14.88%), la compuerta de nivel de distribución activó la adición de un nuevo experto y el ajuste fino. Esto restauró la capacidad predictiva ( $R^2 = 0.9525$ , MAPE = 1.84%) y permitió una reducción de arrastre validada por CFD del 7.43%.

Significación

El artículo afirma que este marco proporciona una ruta práctica hacia el diseño de alta confianza en escenarios donde tanto la evaluación física como la construcción manual del espacio de diseño son costosas. Al convertir las reglas de ingeniería en restricciones de optimización explícitas y utilizar la cuantificación de la incertidumbre para invocar selectivamente los resolvedores de alta fidelidad, el método equilibra la eficiencia computacional con la fiabilidad. Aborda las limitaciones de los enfoques puramente basados en datos asegurando que las trayectorias de optimización permanezcan dentro de regiones físicamente e industrialmente válidas mientras se adapta a nuevas familias de diseño cuando es necesario. Los autores señalan que el enfoque está actualmente limitado a la reducción de arrastre de un solo objetivo y depende de la calidad del conocimiento recuperado y la fundamentación visual, sugiriendo trabajos futuros en optimización multidisciplinaria y retroalimentación de fidelidad variable.