Résumé Technique : AeroJEPA

Énoncé du Problème

La conception aérodynamique repose de plus en plus sur des régimes « multi-requêtes » où les ingénieurs doivent évaluer à plusieurs reprises des champs d'écoulement de haute dimension à travers d'immenses espaces de géométries et de conditions de fonctionnement. Bien que la Dynamique des Fluides Numérique (CFD) de haute fidélité reste la référence, son coût computationnel interdit l'optimisation directe et l'itération rapide. Les modèles substituts neuronaux existants tentent de résoudre ce problème mais se heurtent à deux limitations critiques en aérodynamique 3D réaliste :

1. Évolutivité : De nombreuses approches sont optimisées pour la prédiction directe de champs sur des discrétisations fixes, ce qui les rend difficiles à mettre à l'échelle pour les tailles de sortie massives (par exemple, des dizaines de millions de points) rencontrées dans les simulations de couche limite de haute fidélité.
2. Absence de Structure Sémantique : Même les modèles précis échouent souvent à produire des représentations latentes directement utiles pour l'analyse ou la conception. Ils prédisent des champs mais ne génèrent pas de variables latentes clairement alignées avec la géométrie, les conditions de fonctionnement ou la physique sous-jacente, entravant leur utilité pour la compréhension scientifique et l'optimisation de conception basée sur le gradient.

Méthodologie : AeroJEPA

Les auteurs introduisent AeroJEPA, une architecture d'encodage prédictif conjoint (Joint-Embedding Predictive Architecture) conçue pour la modélisation de champs aérodynamiques 3D. Contrairement aux substituts traditionnels qui mappent directement la géométrie vers des champs d'écoulement de haute dimension ou aux autoencodeurs axés sur la reconstruction de pixels/voxels, AeroJEPA opère dans un espace latent appris et physiquement significatif.

Architecture Principale

Le cadre découple l'encodage de la géométrie, la prédiction latente et le décodage du champ via une interface tokenisée :

• Encodeur de Contexte ($E_c$) : Mappe la conception géométrique (représentée comme un nuage de points non structuré de points de conditions aux limites) et les conditions de fonctionnement (par exemple, angle d'attaque, nombre de Reynolds, nombre de Mach) vers un ensemble de taille fixe de tokens de contexte ($Z_c$).
• Encodeur Cible ($E_t$) : Utilisé uniquement pendant l'entraînement, il mappe le champ fluide de vérité terrain (échantillonné indépendamment de la géométrie) vers des tokens cibles ($Z_t$).
• Prédicteur ($f^{pred}_\theta$) : Au lieu de prédire directement le champ dense, le prédicteur opère entièrement dans l'espace latent tokenisé. Il prend les tokens de contexte ($Z_c$) et les conditions de fonctionnement ($c$) pour prédire les tokens d'écoulement cible ($\hat{Z}_t$). Cette formulation apprend la carte des tokens conditionnés par la géométrie vers les tokens conditionnés par l'écoulement.
• Décodage par Représentation Neurale Implicite (INR) ($f^{dec}_\phi$) : Un décodeur continu optionnel qui reconstruit le champ fluide physique (vitesse, pression) à des points de requête spatiaux arbitraires $q$ à partir de l'état latent prédit $\hat{Z}_t$. Cela permet une sortie indépendante de la résolution sans nécessiter de maillage volumétrique.

Objectifs d'Entraînement

AeroJEPA emploie un flux de travail d'entraînement couplé pour éviter l'effondrement de la représentation tout en assurant la validité physique :

• Perte d'Appariement Latent ($L_{lat}$) : Alignement token par token entre les tokens prédits ($\hat{Z}_t$) et les tokens cibles ($Z_t$).
• Perte de Reconstruction ($L_{rec}$) : Lorsque le décodeur est inclus, elle minimise l'erreur entre le champ décodé et la vérité terrain aux points de requête échantillonnés.
• Régularisation SIGReg ($L_{sig}$) : Un régularisateur explicite appliqué à la distribution latente pour prévenir l'effondrement et encourager un espace d'encodage bien réparti, remplaçant le besoin d'enseignants à Moyenne Mobile Exponentielle (EMA) ou d'heuristiques de stop-gradient.

La perte totale est une somme pondérée : $L_{total} = \lambda_\ell L_{lat} + \lambda_r L_{rec} + \lambda_s L_{sig}$.

Contributions Clés

1. Architecture Prédictive Latente de Style JEPA : L'article formule une approche novatrice de modélisation substitut qui combine la prédiction latente conditionnée par la géométrie avec un décodeur INR continu, déplaçant le problème d'apprentissage coûteux de la prédiction de champ dense vers la prédiction latente structurée.
2. Espaces Latents Sémantiquement Significatifs : Les auteurs démontrent que les espaces latents appris ne sont pas seulement descriptifs mais structurellement alignés avec les variables de conception et les grandeurs aérodynamiques. Bien qu'ils ne soient pas entraînés sur des coefficients intégrés (comme $C_L$ ou $C_D$) ou des paramètres de conception spécifiques, ces grandeurs peuvent être récupérées linéairement à partir de l'espace latent avec une haute fidélité.
3. Évolutivité et Utilité pour l'Optimisation : L'approche s'avère compétitive pour la prédiction de champs tout en s'étendant naturellement vers des sorties haute résolution. De plus, la structure latente lisse permet un flux de travail d'optimisation léger et différentiable dans l'espace latent, évitant la nécessité de manipulations répétées de maillage ou de décodage de champ complet pendant la boucle d'optimisation.

Résultats Expérimentaux

La méthode a été évaluée sur deux jeux de données complémentaires : HiLiftAeroML (champs de couche limite de haute fidélité et à grande échelle sur des avions à fort portance réalistes) et SuperWing (généralisation large sur une famille paramétrique d'ailes transsoniques).

• Précision du Substitut : Sur HiLiftAeroML, AeroJEPA a surpassé les modèles de référence (FigConvUNet, GeoTransolver, Transolver) en erreurs relatives $L_2$ et $L_1$ pour les champs de pression et de vitesse, tout en nécessitant un coût computationnel d'inférence nettement inférieur (par exemple, ~57 TFLOPs contre ~88–309 TFLOPs pour les références). Il a réussi à capturer des structures d'écoulement détaché complexes sur des configurations non vues.
• Structure Latente :
  • Sondage : Des sondes linéaires ont récupéré les déflexions des surfaces de contrôle à fort portance à partir des contextes latents avec des valeurs $R^2$ comprises entre 0,965 et 0,988, et les coefficients aérodynamiques ($C_L, C_D$) à partir des latents prédits avec des $R^2$ de 0,930 et 0,996 respectivement.
  • Interpolation et Arithmétique : L'espace latent supportait une interpolation contrôlée entre les conditions de fonctionnement et les états géométriques. L'arithmétique de vecteurs conceptuels a révélé que les commandes de volets et de becs étaient presque désintriquées (sous-espaces orthogonaux), tandis que les segments intérieur/extérieur de la même surface montraient un couplage physique attendu.
• Optimisation : Sur SuperWing, les auteurs ont réalisé une optimisation de concept pour maximiser l'efficacité aérodynamique ($C_L/C_D$) directement dans l'espace latent de contexte à 128 dimensions. La recherche a convergé vers un point de conception correspondant à une configuration d'aile à haute efficacité (grand allongement, forte flèche) existant dans l'enveloppe du jeu de données, démontrant l'utilité de l'espace latent pour l'exploration de conception.

Importance et Revendications

L'article postule que l'apprentissage latent prédictif est une direction prometteuse pour la modélisation substitut en aérodynamique. L'importance d'AeroJEPA réside dans sa capacité à fournir des substituts non seulement évolutifs et précis, mais aussi analysables et utiles pour l'exploration de l'espace de conception. En découplant la prédiction de la résolution spatiale et en organisant l'espace latent de manière sémantique, la méthode permet des cycles de conception rapides et un parcours contrôlé de l'espace de conception sans la surcharge computationnelle des évaluations CFD de haute fidélité répétées.

Les auteurs adoptent une position modeste, notant que l'étude actuelle se limite à deux jeux de données et principalement à des régimes d'écoulement stationnaires. L'optimisation et les analyses latentes sont présentées comme des démonstrations de concept de structure sémantique plutôt que comme un pipeline de conception industrielle complet et de bout en bout. Un travail futur est identifié comme nécessaire pour aborder des régimes d'écoulement plus larges, une intégration plus étroite avec les pipelines de conception inverse, et des contextes d'écoulement instable ou multi-fidélité.