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

Diseñar un hidroala, la estructura similar a un ala que eleva un bote fuera del agua para reducir la resistencia, es un juego de infinitos ensayos y errores. Para encontrar la forma perfecta, los ingenieros deben probar miles de variaciones, cambiando la curva, el grosor y el ángulo del perfil. Para cada nueva forma, deben ejecutar una compleja simulación computacional que resuelva la física del agua fluyendo alrededor del objeto. Estas simulaciones son increíblemente precisas pero también increíblemente lentas; ejecutar una sola prueba puede tomar horas en computadoras potentes. Debido a esto, explorar toda la gama de posibles diseños suele ser demasiado costoso y lento. En años recientes, los científicos han intentado acelerar este proceso entrenando a la inteligencia artificial para que actúe como un atajo. En lugar de resolver las ecuaciones de la física desde cero cada vez, estos modelos de IA aprenden a predecir el flujo del agua y las fuerzas resultantes basándose en patrones que han visto antes. La esperanza es que estos "sustitutos neuronales" puedan encontrar los mejores diseños en segundos en lugar de horas.

Sin embargo, un nuevo estudio publicado por el investigador independiente Aarav Dixit revela una falla crítica en la forma en que juzgamos actualmente estos atajos de IA. Durante años, la forma estándar de decidir qué modelo de IA era el mejor era comprobar qué tan cerca estaba su mapa de presión de agua de las simulaciones computacionales lentas y de alta fidelidad. Si la IA acertaba con el mapa de presión, se consideraba un éxito. Pero este artículo argumenta que acertar con el mapa de presión no significa necesariamente que la IA ayudará a un ingeniero a encontrar la mejor ala de un bote. La verdadera prueba de una herramienta de diseño no es solo qué tan bien imita un mapa, sino si conduce al mismo diseño ganador que el método lento y confiable. Para averiguarlo, el investigador estableció una rigurosa competencia directa entre cuatro tipos diferentes de modelos de IA, obligándolos a todos a resolver el mismo problema de diseño y luego verificando sus respuestas finales con simulaciones de alta precisión.

El estudio se centró en un conjunto específico de hidroalas basadas en formas estándar conocidas como perfiles NACA, que se definen por números simples que describen su curva y grosor. El investigador generó una base de datos de 381 simulaciones computacionales detalladas de agua fluyendo sobre estos perfiles a diferentes velocidades y ángulos. A partir de estos datos, se entrenaron cuatro familias distintas de redes neuronales para predecir el flujo y las fuerzas de sustentación y resistencia. El primer tipo, una red neuronal convol로cional, busca patrones locales en el flujo como un ojo humano escaneando un mapa. El segundo, un operador neuronal de Fourier, analiza el flujo descomponiéndolo en ondas globales. El tercero, una red de operador profundo, separa la descripción de la forma de la descripción de las condiciones de flujo. El cuarto, una red neuronal informada por la física, está restringida por las leyes fundamentales del movimiento de los fluidos, obligándola a respetar las reglas de la física incluso cuando hace conjeturas.

Una vez entrenados, estos modelos no solo se les pidió predecir un caso único; se les encomendó la tarea de encontrar la mejor forma de hidroala posible. Cada modelo recibió los mismos puntos de partida y un límite estricamente definido de cuarenta intentos para mejorar el diseño. El objetivo era maximizar la relación entre sustentación y resistencia, esencialmente haciendo que el bote vaya más rápido con menos esfuerzo. Crucialmente, el bucle de optimización se ejecutó enteramente sobre las predicciones de la IA; la computadora lenta y de alta fidelidad se mantuvo fuera durante la búsqueda para ver cómo se comportaría la IA cuando fuera su única herramienta disponible. Después de que la IA seleccionara su mejor diseño, el investigador realizó una nueva simulación de alta precisión sobre esa forma específica para ver qué decían las leyes reales de la física. Esta verificación final se comparó contra un punto de referencia donde la propia computadora lenta realizó la optimización, proporcionando un estándar de oro de lo que debería ser la mejor respuesta posible.

Los resultados mostraron una desconexión sorprendente entre la precisión y la utilidad. En términos de error de predicción bruto, un modelo, la red de operador profundo, fue el claro ganador. Predijo la presión, la sustentación y la resistencia con la mayor precisión en casos de prueba no vistos, seguida de cerca por la red informada por la física. El modelo informado por la física también fue el más rápido, ofreciendo una aceleración de aproximadamente 665 veces en comparación con la simulación tradicional. Sin embargo, cuando estos modelos se utilizaron para diseñar un nuevo perfil, la situación cambió. La red de operador profundo y la red informada por la física encontraron diseños que funcionaron excepcionalmente bien, logrando relaciones de sustentación a resistencia entre 36 y 37. En contraste, el modelo que buscaba patrones locales tuvo dificultades significativas, encontrando diseños que eran mucho menos eficientes. El modelo que analizaba ondas globales fue estable pero eligió consistentemente diseños que no eran tan buenos como los otros.

Quizás el hallazgo más importante fue que el rendimiento de estos modelos de IA no fue consistente. Cuando el investigador ejecutó el mismo proceso de optimización varias veces con condiciones iniciales ligeramente diferentes, los diseños finales variaron. La red de operador profundo y la red informada por la física produjeron ganadores diferentes dependiendo de la ejecución, mientras que el modelo de patrones locales fue inestable tanto en sus predicciones como en sus elecciones de diseño. Además, el estudio destacó una limitación oculta en el proceso de verificación mismo. Incluso cuando la IA encontraba un gran diseño, la verificación final mediante la simulación de alta precisión mostró que los resultados eran sensibles a la resolución de la rejilla computacional. La fuerza de resistencia, en particular, cambió hasta un 26 por ciento cuando la rejilla de la simulación se hizo más fina, lo que sugiere que incluso la "verdad" utilizada para verificar la IA tiene sus propias incertidumbres.

Este trabajo demuestra que el camino desde una buena predicción hasta un buen diseño no es directo. Un modelo puede ser excelente adivinando la presión en cada punto de un ala pero aun así fallar en guiar a un ingeniero hacia la forma óptima. El estudio concluye que el campo del aprendizaje automático científico necesita ir más allá de las simples métricas de error. Para cerrar verdaderamente la brecha entre la inteligencia artificial y la ingeniería, estas herramientas deben ser evaluadas según la calidad de los diseños que producen y la robustez de esos diseños bajo diferentes condiciones. La mejor IA no es necesariamente la que dibuja el mapa más preciso, sino la que conduce de manera confiable al mejor destino.