Résumé Technique : ParaKoop – Surrogate de Koopman Paramétrique pour la Conception Aérodynamique Automobile avec Intégration Quantique HHL

1. Énoncé du Problème

La conception aérodynamique automobile est actuellement entravée par le coût computationnel de la Dynamique des Fluides Numérique (CFD). Une seule simulation des caractéristiques de traînée et de portance d'une voiture de tourisme peut prendre de 6 à 4 8 heures. Le processus de conception est intrinsèquement « direct » : les ingénieurs proposent une géométrie, exécutent une simulation, puis itèrent manuellement. Il n'existe aucun mécanisme pour répondre directement à la question « inverse » : « Étant donné un coefficient de traînée ($C_d$) cible, quelle géométrie spécifique l'atteint ? » De plus, les modèles de substitution existants (approximations par apprentissage automatique de la CFD) sont typiquement des prédicteurs uniquement directs qui ne peuvent pas effectuer de conception inverse basée sur le gradient ou fournir des dimensions d'ingénierie exploitables (par exemple, des millimètres et des degrés). En outre, bien que les solveurs linéaires quantiques comme l'algorithme Harrow–Hassidim–Lloyd (HHL) offrent des accélérations théoriques pour les systèmes linéaires, leur application pratique à la CFD est entravée par des nombres de condition ($\kappa$) élevés dans les systèmes de fluides discrétisés, ce qui annule les avantages quantiques.

2. Méthodologie : L'Architecture ParaKoop

Le document présente ParaKoop, un modèle de substitution de Koopman paramétrique qui unifie la prédiction directe, la conception inverse et la préparation quantique en un seul objet mathématique : un opérateur de Koopman conditionné par la géométrie, $A(\theta)$.

2.1 Représentation Géométrique Unifiée

Pour jeter un pont entre deux ensembles de données disparates — DrivAerNet++ (~8 000 simulations de voitures à échelle réelle en régime permanent) et AhmedML (499 simulations de corps de forme de type bluff-body en régime transitoire) — les auteurs utilisent un descripteur géométrique de dimension 8, invariant d'échelle, $\theta$. Ce vecteur comprend :

• Des drapeaux de style de carrosserie (one-hot) (fastback, notchback, estateback).
• Des ratios sans dimension : rapport hauteur-longueur ($h/L$), largeur-hauteur ($w/h$), et angle de pente arrière normalisé ($\alpha/90$).
• Une fraction de cabine et un indicateur de niveau de détail.
  Cette représentation permet au modèle d'apprendre des caractéristiques de forme indépendantes de la taille absolue du véhicule, permettant un entraînement conjoint sur des jeux de données aux échelles différentes.

2.2 Opérateur de Koopman Paramétrique

Au lieu d'apprendre un modèle séparé pour chaque forme de voiture, ParaKoop apprend un opérateur unique $A(\theta)$ qui varie selon la géométrie.

• Espace de Levage (Lifting Space) : Le modèle projette la géométrie 8D dans un « espace levé » de 128 dimensions où le comportement aérodynamique est approximé comme linéaire.
• Paramétrisation Dyadique de Faible Rang : L'opérateur est défini comme $A(\theta) = I + \sum_{k=1}^{r} \alpha_k(\theta) (u_k \otimes v_k^T)$, où $I$ est la matrice identité, $r=16$ est le rang, et $\alpha_k(\theta)$ sont des poids dépendants de la géométrie générés par un petit réseau de neurones. Cela garantit que l'opérateur est une perturbation proche de l'identité, le maintenant bien conditionné.
• Formulation de Point Fixe : La performance aérodynamique en régime permanent est encodée comme le point fixe du système : $A(\theta) \cdot z^* = z^* + b(\theta)$. Le point fixe $z^*$ (l'« empreinte digitale aérodynamique ») est ensuite projeté sur les coefficients de traînée ($C_d$) et de portance ($C_l$) via une tête linéaire.

2.3 Stratégie d'Entraînement

Le modèle est entraîné de bout en bout sur une fonction de perte combinée :

1. Perte de Point Fixe ($L_{fp}$) : Garantit que $A(\theta)$ agit comme un opérateur valide.
2. Perte de Performance ($L_{perf}$) : Minimise l'erreur dans les prédictions de $C_d$ et $C_l$.
3. Perte d'Autoencodeur ($L_{ae}$) : Pour les 75 cas AhmedML avec des champs d'écoulement volumétriques complets (VTU), une perte de « ancrage supervisé par $\phi$ » force l'état levé à reconstruire le champ d'écoulement réel. Cela agit comme un contrôle de réalité, empêchant l'opérateur de « tricher » et réduisant considérablement le nombre de condition.

2.4 Conception Inverse et Garde-fous Physiques

La conception inverse est réalisée en exécutant une descente de gradient (AdamW) sur la géométrie d'entrée $\theta$ afin de minimiser la différence entre le $C_d$ prédit et une cible définie par l'utilisateur.

• Régularisation de Proximité : Un terme de pénalité ($\lambda_{prox}$) empêche l'optimiseur de produire des résultats géométriquement invraisemblables (par exemple, réduire une voiture à la taille d'une moto) en maintenant la solution proche de la géométrie de départ.
• Garde-fous Physiques : Chaque sortie est automatiquement vérifiée par rapport aux limites des nombres de Reynolds ($Re$), de Mach ($Ma$) et d'Euler ($Eu$) pour garantir que la conception reste dans le régime d'écoulement valide des données d'entraînement.

2.5 Intégration Quantique

L'opérateur entraîné $A(\theta)$ définit un système linéaire $A(\theta) \cdot z = z^* - b(\theta)$ adapté au solveur quantique HHL. Le document caractérise le nombre de condition $\kappa$ de ce système pour évaluer la préparation quantique.

3. Principales Contributions

1. Opérateur Conditionné par la Géométrie : La première formulation de Koopman qui se conditionne sur la géométrie de la voiture ($\theta$) plutôt que sur le temps, permettant à un seul opérateur de prédire la performance à travers diverses formes (fastback, notchback, estateback) sans réentraînement.
2. Entraînement Multi-Jeux de Données Unifié : Le premier substitut entraîné conjointement sur DrivAerNet++ et AhmedML, faisant le pont entre les voitures à échelle réelle en régime permanent et les modèles de corps de forme transitoires via une représentation invariante d'échelle.
3. Conception Inverse Directe : Un mécanisme basé sur le gradient qui produit des changements d'ingénierie spécifiques et exploitables (par exemple, « réduire l'angle arrière de 10,4° ») en moins d'une seconde, sans nouvelles simulations.
4. Ancrage Supervisé par $\phi$ : Une technique d'entraînement utilisant des champs d'écoulement volumétriques pour réduire le nombre de condition de l'opérateur de $\kappa \approx 1,7\text{--}2,9$ à $\kappa \approx 1,03\text{--}1,23$, rendant le système apte à la résolution quantique.
5. Caractérisation Systématique de HHL : La première mesure empirique des nombres de condition à travers une large famille de formes automobiles, démontrant que les systèmes linéaires dérivés de Koopman sont intrinsèquement bien conditionnés pour HHL.
6. Implémentation Open-Source : Publication du code, des points de contrôle du modèle et d'une démonstration interactive Streamlit.

4. Résultats Expérimentaux

• Prédiction Directe : Sur un ensemble de validation mis de côté, ParaKoop a atteint une erreur absolue moyenne (MAE) de 0,01401 pour le $C_d$, surpassant de 10 % la ligne de base GBR (Gradient-Boosted Regressor), malgré l'utilisation de caractéristiques compressées basées sur des ratios.
• Validation de Domaine : Sur 74 cas AhmedML complètement isolés (test de domaine hors échelle), le modèle a obtenu une MAE de $C_d$ de 0,0378, confirmant la transférabilité inter-échelles. La MAE de $C_l$ était de 0,1045, limitée par la rareté des étiquettes de portance dans les données d'entraînement.
• Analyse du Spectre Propre : Les valeurs propres de l'opérateur se regroupent étroitement autour de 1,0 avec des parties imaginaires proches de zéro, confirmant que l'opérateur est géométrique (régime permanent) plutôt que temporel, et validant la conception proche de l'identité.
• Préparation Quantique : Le nombre de condition $\kappa$ variait de 1,03 à 1,23 selon les styles de carrosserie. Cela implique une accélération théorique de HHL de 14,8× à 17,8× par rapport aux solveurs classiques de type Gradient Conjugué, ne nécessitant que 15 qubits.
• Conception Inverse : Le système a généré avec succès des suggestions de géométrie pour des valeurs de $C_d$ cibles (ex: 0,23, 0,28) en moins de 300 étapes d'optimisation. La régularisation de proximité ($\lambda_{prox}=2,0$) s'est révélée essentielle pour produire des conceptions crédibles pour l'ingénierie, empêchant l'optimiseur d'exploiter la réduction dimensionnelle pour obtenir une faible traînée.

5. Signification et Revendications

Le document affirme que ParaKoop lève le principal goulot d'étranglement de la conception aérodynamique automobile en permettant une conception inverse en temps réel. Il déplace le flux de travail de « proposer $\to$ simuler $\to$ itérer » vers « cibler $\to$ optimiser $\to$ géométrie constructible » en moins d'une seconde.

Crucialement, les auteurs positionnent ce travail comme une caractérisation de la préparation pour l'informatique quantique. Ils ne prétendent pas avoir exécuté l'algorithme HHL sur du matériel quantique physique. Au contraire, ils démontrent que les systèmes linéaires issus naturellement des substituts aérodynamiques basés sur Koopman possèdent les faibles nombres de condition ($\kappa < 1,25$) requis pour que HHL offre un avantage théorique. Cela fait le pont entre la modélisation de substitution classique et les futures applications quantiques.

Le document reconnaît des limites, notamment l'erreur plus élevée dans la prédiction de la portance due au déséquilibre des données, la résolution grossière du descripteur géométrique (manquant de détails fins comme les formes de diffuseurs), et la bande de vitesse étroite des données d'entraînement. Les auteurs identifient la fermeture CFD directe — exécuter des simulations OpenFOAM sur de nouvelles formes conçues par voie inverse — comme l'étape nécessaire pour valider l'intégralité du pipeline.

Tout le code et la démonstration interactive sont disponibles sur https://github.com/Ranaam21/Parakoop.