A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

航空機の翼を設計することは、目に見えないものとの戦いです。エンジニアは、空気が曲面にどのように流れ込み、どこで加速し、どこで減速し、そして正確にどの地点で流れが突如としてスムーズさを失うのかを予測しなければなりません。数十年にわたり、この作業の主要なツールは高精度なコンピュータ・シミュレーションでした。これらのプログラムは、飛行の物理学をモデル化するために複雑な方程式を解き、設計者が実物の模型を一度も製作することなく、数千もの形状をテストすることを可能にします。しかし、これらのシミュレーションは完璧ではありません。それらは近似や数学的なショートカットに依存しており、特に空気が音速で移動するような混沌とした領域では、現実から乖離してしまうことがあります。これを解決するために、エンジニアは伝統的に、センサーを備えた実物の金属製の翼に風を吹き付ける風洞実験へと頼ってきました。しかし、風洞実験は非常にコストがかかり、時間がかかり、かつ特定の条件下に限定されます。あらゆる速度や角度を風洞でテストすることはできないため、コンピュータが予測するものと、物理的な世界が実際に起こすこととの間に、エンジニアにとっての「隙間」が生じてしまうのです。

この課題に対し、Luminary AIの研究チームは、デジタルな予測と物理的な現実の間の溝を埋める新しいアプローチを開発しました。彼らは、膨大なシミュレーション・データを用いて学習させた強力なコンピュータ・モデルを、少量の実世界の実験データを用いて優しく「接地（グラウンディング）」させる手法を開発しました。高価なコンピュータ・モデルを破棄したり、あらゆるシナリオに対してフルスケールの風洞実験を行おうとするのではなく、彼らは軽量な補正システムを使用します。このシステムは、コンピュータの予測と風洞での測定値との間にある具体的な差異を学習し、その知識をモデルの精度向上に応用します。その結果、コンピュータ・シミュレーションのスピードと広範なカバー範囲を維持しながら、風洞の物理的な真実性を継承したハイブリッドなツールが誕生しました。

研究者たちは、まず「サロゲート（代理モデル）」と呼ばれる洗練されたコンピュータ・モデルから着手しました。これは、NASA共通研究モデル（NASA Common Research Model）として知られる特定の航空機の翼構成に関する2,300件の高精度シミュレーションによって学習されたものです。このモデルは、さまざまな速度や迎角の下で、翼の表面における空気圧の変化を予測するように設計されました。コンピュータ・モデルは、それが学習したシミュレーションを模倣することには非常に優れており、計算された空気力学的力をほぼ完璧な精度で再現していました。しかし、研究者がこれらの予測を実際の風洞実験の測定値と比較したところ、明確な不一致が現れました。コンピュータ・モデルは、特に翼の前方で空気圧が急激に低下する場所や、後方で圧力が回復する場所において、一貫して目標から外れていたのです。これらは衝撃波が発生しうる極めて重要な領域であり、ここでのわずかな誤差であっても、飛行機の性能に関する重大な計算ミスにつながる可能性があります。

この問題を、コンピュータ・モデル全体をゼロから作り直すことなく解決するために、チームは2段階のプロセスを導入しました。第一に、彼らは元のコンピュータ・モデルを「凍結」させたままにし、それがすでに学習した複雑な空気力学の知識をすべて保持させました。第二に、小さな柔軟性を持つ「補正ネットワーク」を追加しました。この新しいコンポーネントは、圧力感受性塗料（翼を特殊な材料でコーティングし、空気圧に応じて色が変わることで、表面全体の圧力分布を可視化する技術）のデータを用いて学習されました。補正ネットワークは、コンピュータ・モデルの予測における系統的なエラーを特定し、それらを風洞の観察結果に一致するように調整することを学習しました。決定的なのは、この学習が、全飛行条件のごく一部である、わずか2つの特定の速度と数種類の迎角のみを使用して行われたという点です。

結果は、この手法が極めて効果的であることを示しました。補正ネットワークが一度も見たことのない飛行条件下でテストを行った際、調整後のモデルは翼表面全体にわたって3パーセント未満の誤差で空気圧を予測しました。このレベルの精度は、単に近くの風洞測定値を平均して答えを推測する場合よりもはるかに優れていました。この補正は、元のコンピュータ・モデルが最も苦戦した領域である、衝撃波の位置と圧力回復の形状の修正において特に効果的でした。研究者たちは、このモデルが、純粋なシミュレーションでは欠落していた物理的効果、例えば、空気の力によって引き起こされる翼の微妙な変形や、流れが層流から乱流へと遷移する際の変動などを捉えられるようになったことを発見しました。

この成果は、コンピュータ・シミュレーションの広範で効率的なカバー範囲と、実世界の実験による物理的な正確さという、両者の「最高の組み合わせ」が可能であることを証明しています。少量の実験データを用いて大規模なシミュレーションを補正することで、研究者たちは高速かつ信頼性の高いツールを作り上げました。この手法は、計算量的に困難なモデル全体の再学習を必要とせず、また大規模な風洞実験キャンペーンを必要ともしません。代わりに、デジタルツインを物理的な現実へと整合させるための、標的を絞った補正を行っています。このアプローチは、航空宇宙設計への実用的な道筋を提示しており、エンジニアがコンピュータ・モデルをより深く信頼し、それらのモデルが飛行の真の挙動を反映していることを確実にするために、より戦略的で限定的な物理テストを活用することを可能にします。