Resumen Técnico: ParaKoop – Sustituto Koopman Paramétrico para el Diseño Aerodinámico Automotriz con Integración de HHL Cuántica

1. Planteamiento del Problema

El diseño aerodinámico automotriz está actualmente limitado por el costo computacional de la Dinámica de Fluidos Computacional (CFD). Una sola simulación de las características de arrastre ($C_d$) y sustentación de un vehículo de pasajeros puede tardar de 6 a 48 horas. El proceso de diseño es inherentemente "hacia adelante": los ingenieros proponen una geometría, ejecutan una simulación e iteran manualmente. No existe un mecanismo para responder directamente a la pregunta "inversa": "Dada una resistencia aerodinámica objetivo ($C_d$), ¿qué geometría específica la logra?". Además, los modelos sustitutos existentes (aproximaciones de aprendizaje automático de CFD) son típicamente predictores de solo sentido directo que no pueden realizar un diseño inverso basado en gradientes ni proporcionar dimensiones de ingeniería accionables (por ejemplo, milímetros y grados). Adicionalmente, aunque los resolvedores lineales cuánticos como el algoritmo Harrow–Hassidim–Lloyd (HHL) ofrecen aceleraciones teóricas para sistemas lineales, su aplicación práctica al CFD se ve obstaculizada por altos números de condición ($\kappa$) en sistemas de fluidos discretizados, lo que anula las ventajas cuánticas.

2. Metodología: La Arquitectura ParaKoop

El artículo presenta ParaKoop, un modelo sustituto de Koopman paramétrico que unifica la predicción directa, el diseño inverso y la preparación cuántica en un único objeto matemático: un operador de Koopman condicionado por la geometría, $A(\theta)$.

2.1 Representación Geométrica Unificada

Para cerrar la brecha entre dos conjuntos de datos dispares —DrivAerNet++ (~8,000 simulaciones de estado estacionario de vehículos a escala real) y AhmedML (499 simulaciones transitorias de cuerpos romos)— los autores emplean un descriptor geométrico de 8 dimensiones e invariante de escala $\theta$. Este vector incluye:

• Indicadores de estilo de carrocería (one-hot) (fastback, notchback, estateback).
• Ratios adimensionales: relación altura-longitud ($h/L$), ancho-altura ($w/h$) y ángulo de inclinación trasero normalizado ($\alpha/90$).
• Fracción de cabina y un indicador de nivel de detalle.
  Esta representación permite que el modelo aprenda características de forma independientes del tamaño absoluto del vehículo, permitiendo el entrenamiento conjunto de conjuntos de datos con diferentes escalas.

2.2 Operador de Koopman Paramétrico

En lugar de aprender un modelo separado para cada forma de coche, ParaKoop aprende un único operador $A(\theta)$ que varía con la geometría.

• Espacio de Elevación (Lifting Space): El modelo mapea el espacio de 8D a un "espacio elevado" de 128 dimensiones donde el comportamiento aerodinámico se aproxima como lineal.
• Parametrización Diádica de Bajo Rango: El operador se define como $A(\theta) = I + \sum_{k=1}^{r} \alpha_k(\theta) (u_k \otimes v_k^T)$, donde $I$ es la matriz identidad, $r=16$ es el rango, y $\alpha_k(\theta)$ son pesos dependientes de la geometría generados por una pequeña red neuronal. Esto asegura que el operador sea una perturbación cercana a la identidad, manteniéndolo bien condicionado.
• Formulación de Punto Fijo: El rendimiento aerodinámico en estado estacionario se codifica como el punto fijo del sistema: $A(\theta) \cdot z^* = z^* + b(\theta)$. El punto fijo $z^*$ (la "huella digital aerodinámica") se mapea luego a los coeficientes de arrastre ($C_d$) y sustentación ($C_l$) mediante una cabeza lineal.

2.3 Estrategia de Entrenamiento

El modelo se entrena de extremo a extremo mediante una función de pérdida combinada:

1. Pérdida de Punto Fijo ($L_{fp}$): Asegura que $A(\theta)$ actúe como un operador válido.
2. Pérdida de Rendimiento ($L_{perf}$): Minimiza el error en la predicción de $C_d$ y $C_l$.
3. Pérdida de Autoencoder ($L_{ae}$): Para los 75 casos de AhmedML con campos de flujo volumétricos completos (VTU), una pérdida de "anclaje supervisado por phi" fuerza al estado elevado a reconstruir el campo de flujo real. Esto actúa como un control de realidad, evitando que el operador "haga trampa" y reduciendo significativamente el número de condición.

2.4 Diseño Inverso y Guardarraíles de Física

El diseño inverso se realiza ejecutando el descenso de gradiente (AdamW) sobre la geometría de entrada $\theta$ para minimizar la diferencia entre el $C_d$ predicho y un objetivo definido por el usuario.

• Regularización de Proximidad: Un término de penalización ($\lambda_{prox}$) evita que el optimizador produzca resultados geométricamente implausibles (por ejemplo, encoger un coche al tamaño de una motocicleta) manteniéndolo cerca de la geometría inicial.
• Guardarraíles de Física: Cada salida es verificada automáticamente contra los límites de los números de Reynolds ($Re$), Mach ($Ma$) y Euler ($Eu$) para asegurar que el diseño permanezca dentro del régimen de flujo válido de los datos de entrenamiento.

2.5 Integración Cuántica

El operador entrenado $A(\theta)$ define un sistema lineal $A(\theta) \cdot z = z^* - b(\theta)$ adecuado para el resolvedor cuántico HHL. El artículo caracteriza el número de condición $\kappa$ de este sistema para evaluar la preparación cuántica.

3. Contribuciones Clave

1. Operador Condicionado por Geometría: La primera formulación de Koopman que condiciona sobre la geometría del coche ($\theta$) en lugar del tiempo, permitiendo que un único operador prediga el rendimiento a través de diversas formas (fastback, notchback, estateback) sin reentrenamiento.
2. Entrenamiento Conjunto Multidominio: El primer sustituto entrenado conjuntamente en DrivAerNet++ y AhmedML, uniendo coches de escala real en estado estacionario y modelos de cuerpos romos transitorios mediante una representación invariante de escala.
3. Diseño Inverso Directo: Un mecanismo basado en gradientes que entrega cambios de ingeniería específicos y accionables (por ejemplo, "reducir el ángulo trasero en 10.4°") en menos de un segundo, sin necesidad de nuevas simulaciones.
4. Anclaje Supervisado por Phi: Una técnica de entrenamiento que utiliza campos de flujo volumétricos para reducir el número de condición de su operador de $\kappa \approx 1.7\text{--}2.9$ a $\kappa \approx 1.03\text{--}1.23$, haciendo que el sistema sea apto para la resolución cuántica.
5. Caracterización Sistemática de HHL: La primera medición empírica de números de condición a través de una gran familia de formas automotrices, demostrando que los sistemas lineales derivados de Koopman son inherentemente bien condicionados para HHL.
6. Implementación de Código Abierto: Lanzamiento público del código, puntos de control del modelo y una demostración interactiva en Streamlit.

4. Resultados Experimentales

• Predicción Directa: En un conjunto de validación no utilizado para el entrenamiento, ParaKoop logró un Error Absoluto Medio (MAE) de 0.01401 para $C_d$, superando a un modelo base de Regresor de Gradiente Potenciado (GBR) en un 10%, a pesar de utilizar características comprimidas basadas en ratios.
• Validación de Dominio: En 74 casos de AhmedML completamente ajenos (prueba de dominio fuera de escala), el modelo alcanzó un MAE de $C_d$ de 0.0378, confirmando la transferibilidad de escala. El MAE de $C_l$ fue de 0.1045, limitado por la escasez de etiquetas de sustentación en los datos de entrenamiento.
• Análisis del Espectro de Autovalores: Los autovalores del operador se agruparon estrechamente cerca de 1.0 con partes imaginarias casi nulas, confirmando que el operador es geométrico (estado estacionario) en lugar de temporal, y validando el diseño de casi identidad.
• Preparación Cuántica: El número de condición $\kappa$ osciló entre 1.03 y 1.23 entre los estilos de carrocería. Esto implica una aceleración teórica de HHL de 14.8× a 17.8× sobre los resolvedores clásicos de Gradiente Conjugado, requiriendo solo 15 qubits.
• Diseño Inverso: El sistema generó con éxito sugerencias de geometría para valores de $C_d$ objetivo (por ejemplo, 0.23, 0.28) en menos de 300 pasos de optimización. Se demostró que la regularización de proximidad ($\lambda_{prox}=2.0$) es esencial para producir diseños con credibilidad de ingeniería, evitando que el optimizador explote la reducción dimensional para lograr un bajo arrastre.

5. Significado y Reivindicaciones

El artículo afirma que ParaKoop elimina el principal cuello de botella en el diseño aerodinámico automotriz al permitir el diseño inverso en tiempo real. Cambia el flujo de trabajo de "proponer $\to$ simular $\to$ iterar" a "objetivo $\to$ optimizar $\to$ geometría construible" en menos de un segundo.

Crucialmente, los autores posicionan este trabajo como una caracterización de preparación para la computación cuántica. No pretenden haber ejecutado el algoritmo HHL en hardware cuántico físico. En su lugar, demuestran que los sistemas lineales que surgen naturalmente de los sustitutos aerodinámicos basados en Koopman poseen los bajos números de condición ($\kappa < 1.25$) requeridos para que HHL ofrezca una ventaja teórica. Esto cierra la brecha entre el modelado de sustitutos clásicos y las futuras aplicaciones cuánticas.

El artículo reconoce limitaciones, incluyendo el mayor error en la predicción de sustentación debido al desequilibrio de datos, la resolución gruesa del descriptor geométrico (que carece de detalles finos como las formas del difusor) y el estrecho rango de velocidad de los datos de entrenamiento. Los autores identifican el cierre de CFD directo —ejecutar simulaciones de OpenFOAM en nuevas formas diseñadas inversamente— como el siguiente paso necesario para validar todo el flujo de trabajo.

Todo el código y la demostración interactiva están disponibles en https://github.com/Ranaam21/Parakoop.