⚡ electrical engineering

ParaKoop: Parametric Koopman Surrogate for Automotive Aerodynamic Design with Quantum HHL Integration

ParaKoop एक पैरामीट्रिक कूपमैन सरोगेट पेश करता है जिसे 9,620 CFD सिमुलेशन पर प्रशिक्षित किया गया है जो यात्री कारों के लिए सब-सेकंड इनवर्स एरोडायनामिक डिज़ाइन को सक्षम बनाता है और विविध वाहन ज्यामिति में कम कंडीशन नंबरों को अभिलक्षणित करके HHL एल्गोरिदम के माध्यम से एक सैद्धांतिक 14.8–17.8× क्वांटम स्पीडअप प्रदर्शित करता है।

मूल लेखक: Amit Rana

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amit Rana

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक ऑटोमोटिव इंजीनियर हैं जो एक ऐसी कार डिजाइन करने की कोशिश कर रहे हैं जो हवा को मक्खन की तरह सहजता से चीर सके। पारंपरिक रूप से, यह पता लगाने के लिए कि एक कार का आकार कितना "फिसलन भरा" (slippery) है, आपको एक डिजिटल मॉडल बनाना होता है, उसे सुपरकंप्यूटर विंड टनल में डालना होता है, और घंटों (कभी-कभी दिनों) तक इंतजार करना होता है जब तक कि सिमुलेशन पूरा न हो जाए। यदि आप परिणाम से खुश नहीं हैं, तो आप आकार में बदलाव करते हैं, एक नया मॉडल बनाते हैं, और फिर घंटों इंतजार करते हैं। यह "अनुमान लगाओ और जांचो" का एक धीमा और महंगा खेल है।

यह शोध पत्र ParaKoop नामक एक नए टूल का परिचय देता है जो कार डिजाइनरों के लिए एक "क्रिस्टल बॉल" (भवि भविष्य बताने वाला गोला) की तरह काम करता है। हवा के सिम्युलेशन का इंतजार करने के बजाय, ParaKoop तुरंत भविष्यवाणी करता है कि एक कार कैसे व्यवहार करेगी और इससे भी अधिक प्रभावशाली बात यह है कि यह आपको तुरंत बता देता है कि किसी विशिष्ट लक्ष्य (जैसे "ड्रैग को 10% कम करें") को प्राप्त करने के लिए आपको कार के आकार को कैसे बदलना चाहिए—एक सेकंड से भी कम समय में।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "जादुई मानचित्र" (सरोगेट मॉडल - The Surrogate Model)

पारंपरिक सिमुलेशन को एक घने, कोहरे से भरे जंगल में खजाना खोजने के लिए पैदल चलने की तरह समझें। आपको यह जानने के लिए कि आप कहाँ हैं, हर एक कदम उठाना होगा।
ParaKoop एक हाई-टेक मानचित्र की तरह है जिसे जंगल में 9,600 बार पैदल चलकर बनाया गया है। अब, पैदल चलने के बजाय, आप बस उस मानचित्र को देखते हैं। यह इलाके को इतनी अच्छी तरह जानता है कि यदि आप किसी स्थान की ओर इशारा करते हैं, तो यह बिना एक भी कदम चले तुरंत आपको ऊंचाई (ड्रैग) बता देता है।

यह क्या करता है: यह ड्रैग कोफिशिएंट (कि कार का वायु प्रतिरोध कितना है) की भविष्यवाणी करने के लिए हजारों पिछले कार सिमुलेशन (दो सार्वजनिक डेटासेट्स से) से सीखता है।

2. "आकार बदलने वाला लेंस" (पैरामेट्रिक कूपमैन ऑपरेटर - The Parametric Koopman Operator)

आमतौर पर, ये मानचित्र केवल एक विशिष्ट कार के लिए काम करते हैं। यदि आप एक अलग कार डिजाइन करना चाहते हैं, तो आपको एक नया मानचित्र बनाना होगा।
ParaKoop एक चतुर गणितीय तकनीक का उपयोग करता है जिसे कूपमैन ऑपरेटर (Koopman Operator) कहा जाता है। कल्पना कीजिए कि आप एक विशेष लेंस के माध्यम से कार को देख रहे हैं। इस लेंस के माध्यम से, कार के शरीर के जटिल और उलझे हुए वक्र एक सरल, सीधी रेखा में बदल जाते हैं।

जादू: यह लेंस केवल एक कार के लिए काम नहीं करता है; यह किसी भी कार के आकार के लिए काम करता है। यह एक "सार्वभौमिक नियम" सीखता है जो फास्टबैक सेडान, नॉचबैक हैचबैक और एस्टेट वैगन सभी पर एक साथ लागू होता है। यह एक जटिल, नॉन-लीनियर भौतिकी समस्या को एक सरल, लीनियर गणितीय समस्या में बदल देता है जिसे कंप्यूटर तुरंत हल कर सकते हैं।

3. "रिवर्स इंजन" (इनवर्स डिजाइन - The Reverse Engine)

यही इस शोध पत्र की सबसे बड़ी सफलता है।

पुराना तरीका: "यहाँ एक कार का आकार है। मुझे इसका ड्रैग बताओ।" (फॉरवर्ड)
ParaKoop का तरीका: "मुझे एक ऐसी कार चाहिए जिसका ड्रैग 0.25 हो। मुझे बताओ कि उसका आकार कैसा होना चाहिए।" (इनवर्स)

आमतौर पर, कंप्यूटर को उल्टा काम करने के लिए कहना एक केक को वापस बेक करके उसकी सटीक रेसिपी खोजने जैसा है। ParaKoop अपने "जादुई लेंस" के माध्यम से गणित को पीछे की ओर चलाकर यह करता है। यह आपको केवल एक अस्पष्ट विचार नहीं देता; यह आपको वास्तविक दुनिया की इकाइयों में एक विशिष्ट 'टू-डू लिस्ट' देता है, जैसे: "पीछे के खिड़की के कोण को 10 डिग्री कम करें और छत की ऊंचाई को 50 मिलीमीटर कम करें।" यह बिना एक भी नया सिमुलेशन चलाए, एक सेकंड से भी कम समय में यह कर देता है।

4. "रियलिटी चेक" (फिजिक्स गार्डरेल्स - The Reality Check)

कभी-कभी, कंप्यूटर ऑप्टिमाइज़र बहुत उत्साहित हो जाता है और अजीब समाधान सुझाता है, जैसे ड्रैग कम करने के लिए कार को खिलौने के आकार तक सिकोड़ देना।
ParaKoकी (ParaKoop) में अंतर्निहित गार्डरेल्स (Guardrails) हैं। सुझाव दिखाने से पहले, यह तीन "भौतिकी के नियमों" (रेनॉल्ड्स, मैक और यूलर नंबर) की जांच करता है ताकि यह सुनिश्चित हो सके कि कार अभी भी एक वास्तविक, चलाने योग्य वाहन है और कोई गणितीय त्रुटि नहीं है। यदि कोई सुझाव बहुत अजीब है, तो यह चुपचाप गलत उत्तर देने के बजाय उसे फ्लैग करता है और कारण बताता है।

5. "क्वांटम शॉर्टकट" (HHL इंटीग्रेशन - The Quantum Shortcut)

यह शोध पत्र भविष्य की ओर भी देखता है। यह पाया गया है कि ParaKoop जो गणित उपयोग करता है, वह क्वांटम कंप्यूटरों (विशेष रूप से HHL नामक एल्गोरिदम का उपयोग करके) द्वारा हल किए जाने के लिए पूरी तरह से अनुकूल है।

उपमा: कल्पना कीजिए कि एक क्लासिकल कंप्यूटर एक पुस्तकालयाध्यक्ष है जो दस लाख किताबों वाली लाइब्रेरी में किताब खोजने की कोशिश कर रहा है। एक क्वांटम कंप्यूटर एक ऐसे पुस्तकालयाध्यक्ष की तरह है जो एक साथ सभी किताबों को देख सकता है।
दावा: लेखकों ने मापा कि एक क्वांटम कंप्यूटर के लिए गणित को हल करना कितना "आसान" है। उन्होंने पाया कि संख्याएँ बहुत अनुकूल (कम कंडीशन नंबर) हैं, जिसका अर्थ है कि एक भविष्य का क्वांटम कंप्यूटर इन विशिष्ट कार-डिजाइन समस्याओं को आज के सर्वश्रेष्ठ क्लासिकल कंप्यूटरों की तुलना में 15 से 18 गुना तेजी से हल कर सकता है, जिसमें बहुत कम क्वांटम बिट्स (क्यूबिट्स) का उपयोग होगा।

परिणामों का सारांश

सटीकता: यह पिछले मानक तरीकों की तुलना में बेहतर ड्रैग की भविष्यवाणी करता है (10% अधिक सटीक)।
गति: यह घंटों में नहीं, बल्कि मिलीसेकंड में काम करता है।
बहुमुखी प्रतिभा: यह बिना दोबारा प्रशिक्षित हुए विभिन्न कार आकारों और आकारों पर काम करता है।
ओपन सोर्स: लेखक ने कोड और एक लाइव डेमो किसी के भी उपयोग के लिए उपलब्ध कराया है।

संक्षेप में: ParaKoop कार डिजाइन की धीमी, परीक्षण-और-त्रुटि (trial-and-error) वाली प्रक्रिया को एक तेज़, बुद्धिमान प्रणाली से बदल देता है जो न केवल एक डिज़ाइन के भविष्य की भविष्यवाणी कर सकती है, बल्कि आपको यह भी बता सकती है कि अपने लक्ष्यों को पूरा करने के लिए एकदम सही कार कैसे बनानी है।

तकनीकी सारांश: ParaKoop – ऑटोमोटिव एरोडायनामिक डिज़ाइन के लिए क्वांटम HHL एकीकरण के साथ पैरामेट्रिक कूपमैन सरोगेट (Parametric Koopman Surrogate)

1. समस्या विवरण (Problem Statement)

ऑटोमोटिव एरोडायनामिक डिज़ाइन वर्तमान में कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD) की उच्च गणना लागत के कारण बाधित है। एक यात्री कार के ड्रैग (drag) और लिफ्ट (lift) विशेषताओं के एकल सिमुलेशन में 6 से 48 घंटे लग सकते हैं। डिज़ाइन प्रक्रिया स्वाभाविक रूप से "फॉरवर्ड" (forward) है: इंजीनियर एक ज्यामिति (geometry) प्रस्तावित करते हैं, सिमुलेशन चलाते हैं, और मैन्युअल रूप से पुनरावृत्ति (iterate) करते हैं। वहां सीधे "इनवर्स" (inverse) प्रश्न का उत्तर देने के लिए कोई तंत्र नहीं है: "दिए गए टार्गेट ड्रैग कोएफिशिएंट ( $C_d$ ) के लिए, कौन सी विशिष्ट ज्यामिति इसे प्राप्त करती है?" इसके अलावा, मौजूदा सरोगेट मॉडल (जो CFD के मशीन लर्निंग सन्निकटन हैं) आमतौर पर केवल फॉरवर्ड-ओनली प्रेडिक्टर होते हैं जो ग्रेडिएंट-आधारित इनवर्स डिज़ाइन करने या कार्रवाई योग्य इंजीनियरिंग आयाम (जैसे मिलीमीटर और डिग्री) प्रदान करने में सक्षम नहीं होते हैं। इसके अतिरिक्त, जबकि क्वांटम लीनियर सॉल्वर जैसे कि हैरो-हसिडिम-लॉयड (HHL) एल्गोरिदम लीनियर सिस्टम के लिए सैद्धांतिक गति (speedups) प्रदान करते हैं, डिस्क्रीटाइज्ड फ्लूइड सिस्टम में उच्च कंडीशन नंबर ( $\kappa$ ) के कारण उनका व्यावहारिक अनुप्रयोग CFD में बाधित होता है, जो क्वांटम लाभ को समाप्त कर देता है।

2. कार्यप्रणाली: ParaKoop आर्किटेक्चर (Methodology: The ParaKoop Architecture)

यह शोध पत्र ParaKoop नामक एक पैरामेट्रिक कूपमैन सरोगेट मॉडल पेश करता है जो फॉरवर्ड प्रेडिक्शन, इनवर्स डिज़ाइन और क्वांटम तत्परता (quantum readiness) को एक एकल गणितीय वस्तु में एकीकृत करता है: एक ज्यामिति-कंडीशन्ड कूपमैन ऑपरेटर, $A(\theta)$ ।

2.1 एकीकृत ज्यामिति प्रतिनिधित्व (Unified Geometry Representation)

दो अलग-अलग डेटासेटों—DrivAerNet++ (~8,000 स्थिर-अवस्था फुल-स्केल कार सिमुलेशन) और AhmedML (499 ट्रांजिएंट ब्लफ-बॉडी सिमुलेशन)—के बीच सेतु बनाने के लिए, लेखक एक 8-आयामी, स्केल-इनवेरिएंट ज्यामिति डिस्क्रिप्टर $\theta$ का उपयोग करते हैं। इस वेक्टर में शामिल हैं:

वन-हॉट बॉडी स्टाइल फ्लैग्स (fastback, notchback, estateback)।
डाइमेंशनलेस रेश्यो: ऊंचाई-से-लंबाई ( $h/L$ ), चौड़ाई-से-ऊंचाई ( $w/h$ ), और सामान्यीकृत रियर स्लैंट एंगल ( $\alpha/90$ )।
कैबिन फ्रैक्शन और एक डिटेल लेवल फ्लैग।
यह प्रतिनिधित्व मॉडल को आकार की विशेषताओं को पूर्ण वाहन आकार से स्वतंत्र रूप से सीखने की अनुमति देता है, जिससे विभिन्न पैमानों वाले डेटासेटों के बीच संयुक्त प्रशिक्षण संभव होता है।

2.2 पैरामेट्रिक कूपमैन ऑपरेटर (Parametric Koopman Operator)

प्रत्येक कार के आकार के लिए एक अलग मॉडल सीखने के बजाय, ParaKoop एक एकल ऑपरेटर $A(\theta)$ सीखता है जो ज्यामिति के साथ बदलता है।

लिफ्टिंग स्पेस (Lifting Space): मॉडल 8D ज्यामिति को एक 128-आयामी "लिफ्टेड स्पेस" में मैप करता है जहाँ एरोडायनामिक व्यवहार को रैखिक (linear) के रूप में अनुमानित किया जाता है।
लो-रैंक डायडिक पैरामीट्रिज़ेशन (Low-Rank Dyadic Parameterization): ऑपरेटर को $A(\theta) = I + \sum_{k=1}^{r} \alpha_k(\theta) (u_k \otimes v_k^T)$ के रूप में परिभाषित किया गया है, जहाँ $I$ आइडेंटिटी मैट्रिक्स है, $r=16$ रैंक है, और $\alpha_k(\theta)$ ज्यामिति-निर्भर वेट्स हैं जो एक छोटे न्यूरल नेटवर्क द्वारा उत्पन्न होते हैं। यह सुनिश्चित करता है कि ऑपरेटर एक 'नियर-आइडेंटिटी परटर्बेशन' है, जिससे यह वेल-कंडीशन्ड रहता है।
फिक्स्ड-पॉइंट फॉर्मुलेशन (Fixed-Point Formulation): स्थिर-अवस्था एरोडायनामिक प्रदर्शन को सिस्टम के फिक्स्ड पॉइंट के रूप में एनकोड किया जाता है: $A(\theta) \cdot z^* = z^* + b(\theta)$ । फिक्स्ड पॉइंट $z^*$ (जिसे "एरोडायनामिक फिंगरप्रिंट" कहा जाता है) को ड्रैग ( $C_d$ ) और लिफ्ट ( $C_l$ ) कोएफिशिएंट्स के माध्यम से एक लीनियर हेड के माध्यम से मैप किया जाता है।

2.3 प्रशिक्षण रणनीति (Training Strategy)

मॉडल को एक संयुक्त लॉस फंक्शन पर एंड-टू-एंड प्रशिक्षित किया जाता है:

फिक्स्ड-पॉइंट लॉस ( $L_{fp}$ ): यह सुनिश्चित करता है कि $A(\theta)$ एक वैध ऑपरेटर के रूप में कार्य करे।
परफॉरमेंस लॉस ( $L_{perf}$ ): $C_d$ और $C_l$ के अनुमानित त्रुटि को कम करता है।
ऑटोएन्कोडर लॉस ( $L_{ae}$ ): 75 AhmedML मामलों के लिए जिनमें पूर्ण वॉल्यूमेट्रिक फ्लो फील्ड्स (VTU) हैं, एक "फाई-सुपरवाइज्ड ग्राउंडिंग" (phi-supervised grounding) लॉस यह सुनिश्चित करता है कि लिफ्टेड स्टेट वास्तविक फ्लो फील्ड को पुनर्गठित करे। यह एक वास्तविकता की जांच (reality check) के रूप में कार्य करता है, जो ऑपरेटर को "चीटिंग" करने से रोकता है और कंडीशन नंबर को काफी कम कर देता है।

2.4 इनवर्स डिज़ाइन और फिजिक्स गार्डरेल्स (Inverse Design and Physics Guardrails)

इनवर्स डिज़ाइन को इनपुट ज्यामिति $\theta$ पर ग्रेडिएंट डिसेंट (AdamW) चलाकर किया जाता है ताकि अनुमानित $C_d$ और उपयोगकर्ता-निर्धारित टार्गेट के बीच के अंतर को कम किया जा सके।

प्रॉक्सिमिटी रेगुलराइजेशन (Proximity Regularization): एक पेनल्टी टर्म ( $\lambda_{prox}$ ) यह सुनिश्चित करता है कि ऑप्टिमाइज़र ज्यामितीय रूप से अवास्तविक परिणाम (जैसे, कार को मोटरसाइकिल के आकार तक छोटा करना) न दे, बल्कि समाधान को शुरुआती ज्यामिति के करीब रखे।
फिजिक्स गार्डरेल्स (Physics Guardrails): प्रत्येक आउटपुट की रेनॉल्ड्स ($Re $), मच ($ Ma $), और यूलर ($ Eu$) नंबर बाउंड्स के विरुद्ध स्वचालित रूप से जाँच की जाती है ताकि यह सुनिश्चित हो सके कि डिज़ाइन प्रशिक्षण डेटा के वैध फ्लो रिजीम के भीतर रहे।

2.5 क्वांटम एकीकरण (Quantum Integration)

प्रशिक्षित ऑपरेटर $A(\theta)$ एक लीनियर सिस्टम $A(\theta) \cdot z = z^* - b(\theta)$ को परिभाषित करता है जो HHL क्वांटम सॉल्वर के लिए उपयुक्त है। पेपर HHL एल्गोरिदम के लिए उपयुक्तता का आकलन करने के लिए इस सिस्टम के कंडीशन नंबर $\kappa$ का लक्षण वर्णन करता है।

3. मुख्य योगदान (Key Contributions)

ज्यामिति-कंडीशन्ड ऑपरेटर: पहला कूपमैन फॉर्मुलेशन जो समय के बजाय कार की ज्यामिति ( $\theta$ ) पर कंडिशन करता है, जिससे एक एकल ऑपरेटर विभिन्न आकारों (fastback, notchback, estateback) के लिए बिना पुनः प्रशिक्षण के प्रदर्शन का अनुमान लगा सकता है।
एकीकृत मल्टी-डेटासेट प्रशिक्षण: DrivAerNet++ और AhmedML को संयुक्त रूप से प्रशिक्षित करने वाला पहला सरोगेट, जो स्केल-इनवेरिएंट प्रतिनिधित्व के माध्यम से फुल-स्केल कारों और ट्रांजिएंट ब्लफ-बॉडी मॉडलों को जोड़ता है।
प्रत्यक्ष इनवर्स डिज़ाइन: एक ग्रेडिएंट-आधारित तंत्र जो एक सेकंड से भी कम समय में विशिष्ट, कार्रवाई योग्य इंजीनियरिंग परिवर्तन (जैसे, "रियर स्लैंट को 10.4° कम करें") आउटपुट करता है, बिना नए सिमुलेशन के।
फाई-सुपरवाइज्ड ग्राउंडिंग: वॉल्यूमेट्रिक फ्लो फील्ड्स का उपयोग करने वाली एक प्रशिक्षण तकनीक जो ऑपरेटर के कंडीशन नंबर को $\kappa \approx 1.7\text{--}2.9$ से घटाकर $\kappa \approx 1.03\text{--}1.23$ कर देती है, जिससे सिस्टम क्वांटम सॉल्विंग के लिए उपयुक्त हो जाता है।
व्यवस्थित HHL लक्षण वर्णन: ऑटोमोटिव शेप फैमिली में कंडीशन नंबर का पहला अनुभवजन्य माप, जो दर्शाता है कि कूपमन-व्युत्पन्न लीनियर सिस्टम HHL के लिए स्वाभाविक रूप से वेल-कंडीशन्ड हैं।
ओपन-सोर्स कार्यान्वयन: कोड, मॉडल चेकपॉइंट्स और एक इंटरैक्टिव स्ट्रीमलिट (Streamlit) प्रदर्शन का सार्वजनिक रिलीज।

4. प्रयोगात्मक परिणाम (Experimental Results)

फॉरवर्ड प्रेडिक्शन: एक होल्ड-आउट वैलिडेशन सेट पर, ParaKoop ने $C_d$ के लिए 0.01401 का मीन एब्सोल्यूट एरर (MAE) प्राप्त किया, जो कंप्रेस्ड रेश्यो-बेस्ड फीचर्स के बावजूद GBR बेसलाइन से 10% बेहतर प्रदर्शन करता है।
डोमेन वैलिडेशन: 74 पूरी तरह से होल्ड-आउट AhmedML मामलों पर, मॉडल ने $C_d$ का MAE 0.0378 प्राप्त किया, जो क्रॉस-स्केल ट्रांसफरैबिलिटी की पुष्टि करता है। $C_l$ का MAE 0.1045 था, जो प्रशिक्षण डेटा में लिफ्ट लेबल की कमी के कारण सीमित है।
आइजनस्पेक्ट्रम विश्लेषण: ऑपरेटर के आइजनवैल्यूज़ 1.0 के पास मजबूती से क्लस्टर हुए, जो पुष्टि करता है कि ऑपरेटर टेम्पोरल के बजाय ज्यामितीय (steady-state) है।
क्वांटम तत्परता: पूरे बॉडी स्टाइल्स में कंडीशन नंबर $\kappa$ का रेंज 1.03 से 1.23 रहा। इसका तात्पर्य है कि क्लासिकल कंजुगेट ग्रेडिएंट सॉल्वर की तुलना में सैद्धांतिक रूप से 14.8× से 17.8× का HHL स्पीडअप संभव है, जिसके लिए केवल 15 क्यूबिट्स की आवश्यकता है।
इनवर्स डिज़ाइन: सिस्टम ने 300 ऑप्टिमाइजेशन स्टेप्स के भीतर लक्षित $C_d$ मानों (जैसे, 0.23, 0.28) के लिए ज्यामिति सुझाव सफलतापूर्वक उत्पन्न किए। इंजीनियरिंग-विश्वसनीय डिज़ाइन बनाने के लिए प्रॉक्सिमिटी रेगुलराइजेशन ( $\lambda_{prox}=2.0$ ) आवश्यक पाया गया।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ParaKoop ऑटोमोटिव एरोडायनामिक डिज़ाइन की प्राथमिक बाधा को हटाकर रियल-टाइम इनवर्स डिज़ाइन को सक्षम बनाता है। यह वर्कफ़्लो को "प्रस्ताव $\to$ सिमुलेशन $\to$ पुनरावृत्ति" से बदलकर "टार्गेट $\to$ ऑप्टिमाइज़ $\to$ बिल्डेबल ज्योमेट्री" में बदल देता है।

महत्वपूर्ण रूप से, लेखक इस कार्य को क्वांटम कंप्यूटिंग के लिए एक तैयारी लक्षण वर्णन (readiness characterization) के रूप में प्रस्तुत करते हैं। वे भौतिक क्वांटम हार्डवेयर पर HHL एल्गोरिदम चलाने का दावा नहीं करते हैं। इसके बजाय, वे प्रदर्शित करते हैं कि कूपमन-आधारित एरोडायनामिक सरोगेट्स से उत्पन्न होने वाले लीनियर सिस्टम में HHL के लिए आवश्यक निम्न कंडीशन नंबर ( $\kappa < 1.25$ ) हैं। यह शास्त्रीय सरोगेट मॉडलिंग और भविष्य के क्वांटम अनुप्रयोगों के बीच के अंतर को पाटता है।

पेपर सीमाओं को स्वीकार करता है, जिसमें लिफ्ट प्रेडिक्शन में उच्च त्रुटि, ज्यामिति डिस्क्रिप्टर का मोटा रेजोल्यूशन और प्रशिक्षण डेटा का संकीर्ण वेग बैंड शामिल है। लेखक पहचानते हैं कि डायरेक्ट CFD क्लोजर—नवीन इनवर्स-डिज़ाइन की गई आकृतियों पर OpenFOAM सिमुलेशन चलाना—पूरे पाइपलाइन को मान्य करने के लिए आवश्यक अगला कदम है।

सभी कोड और इंटरैक्टिव प्रदर्शन https://github.com/Ranaam21/Parakoop पर उपलब्ध हैं।