💻 computer science

Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

Dit artikel stelt een kennisgestuurd vormoptimalisatiekader voor dat een Mixture-of-Experts Neural Operator integreert met onzekerheidsbewuste feedback om technische beperkingen te automatiseren en hoogbetrouwbare weerstandsverminderingen van 4–10% te bereiken over diverse voertuiggeometrieën.

Oorspronkelijke auteurs: Wenhao Fan, Yuanwei Bin, Jianghan Gu, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Gepubliceerd 2026-07-14

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wenhao Fan, Yuanwei Bin, Jianghan Gu, Wenfa Luo, Jiao Xiang, Yuntian Chen, Shiyi Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een meesterbeeldhouwer bent die een snellere, gestroomlijndere auto probeert uit te hakken uit een gigantisch blok klei. Maar er is een addertje onder het gras: je kunt de klei niet zomaar overal aanpassen. Je hebt strikte regels. Je kunt de vorm van de ramen niet veranderen omdat mensen naar buiten moeten kunnen kijken, je kunt de auto niet te breed maken omdat hij dan niet in een garage past, en je mag niet prutsen met de motorruimte. In de echte wereld moeten ervaren ingenieurs meestal eerst handmatig deze "veilige zones" op de blauwdruk tekenen voordat ze aan het ontwerp gaan tweaken. Het is traag en het is volledig afhankelijk van hun geheugen en ervaring.

Dit artikel introduceert een nieuwe, superintelligente assistent die twee grote dingen doet: het tekent automatisch die "veilige zones" voor je, en het bouwt een kristallen bol die voorspelt hoe snel je auto zal gaan zonder dat je miljoenen dure windtunneltests hoeft te doen.

De "Slimme Regels" Assistent
Ten eerste heeft het team hun computer geleerd om een bibliotheek van technische regelboeken, veiligheidsrichtlijnen en ontwerpstandaarden te lezen. Wanneer je de computer een foto van een auto laat zien, gebruikt de computer een "vision-language model" (denk aan een robot die tegelijkertijd kan zien en lezen) om precies te bepalen welke onderdelen wel en niet mogen veranderen. Het kan bijvoorbeeld zeggen: "Oké, we kunnen de voorbumper en de motorkap aanpassen, maar de A-stijl (de stijl die de voorruit vasthoudt) moet blijven staan."

In plaats van simpelweg te gokken, vertaalt de computer deze regels naar onzichtbare 3D-boxen rond de auto. Vervolgens gebruikt het een wiskundige truc genaamd "Direct Free-Form Deformation" om de klei binnen die boxen te laten bewegen. Dit zorgt ervoor dat elke nieuwe vorm die de computer bedenkt fysiek mogelijk is en alle veiligheids- en fabricagerichtlijnen respecteert. Het is alsof je een robot hebt die je alleen toestaat de delen van de auto te beeldhouwen die mogen bewegen, terwijl de rest perfect stijf blijft.

De "Expert Panel" Kristallen Bol
Normaal gesproken, om te zien of een nieuwe autovorm snel is, moet je een enorme computersimulatie draaien die CFD (Computational Fluid Dynamics) wordt genoemd. Dit is als het door een virtuele windtunnel jagen van de auto. Het is ongelooflijk nauwkeurig, maar het kost zoveel rekenkracht dat je niet elke mogelijke vorm kunt testen.

Daarom gebruiken ingenieurs meestal een "surrogaatmodel"—een snelle, goedkope AI die de resultaten van de windtunnel raadt. Maar hier is het probleem: als de AI een vorm ziet die hij nog nooit eerder heeft gezien, kan hij er volledig naast zitten. Het is also wordt een weervoorspeller die alleen over de zomer weet gevraagd om een sneeuwstorm te voorspellen; hij kan "zonnig" zeggen terwijl het eigenlijk sneeuwt.

De auteurs hebben een nieuw soort AI gebouwd die een Mixture-of-Experts Neural Operator (MoE-NO) wordt genoemd. Stel je voor dat dit niet slechts één AI is, maar een panel van verschillende experts. Eén expert kent alles van SUV's, een andere van sedans, en een derde van minivans. Wanneer je de AI een nieuwe autovorm laat zien, vraagt een "gating network" (de teamleider): "Welke expert kent deze vorm het beste?" en combineert vervolgens hun antwoorden.

Het artikel laat zien dat deze "expert panel" veel beter is dan eerdere single-AI modellen. Op een testset van 450 auto vormen voorspelde de nieuwe AI de luchtweerstand (drag) met een fout van slechts 1,16%, waarmee het de beste vorige modellen met een fout van 1,52% versloeg. Nog belangrijker is dat de AI de trend in 94,34% van de gevallen correct voorspelde. Dit betekent dat als de ene auto sneller is dan de andere, de AI correct raadt welke auto sneller is, wat cruciaal is voor het vinden van het beste ontwerp.

Het "Vertrouw maar Controleer" Veiligheidsnet
Het coolste deel is hoe het systeem omgaat met onzekerheid. De AI weet wanneer hij aan het gokken is. Het gebruikt een wiskundige "onzekerheidsscore" om te controleren of de auto vorm waar hij naar kijkt iets is dat hij eerder heeft gezien.

Als de AI zelfverzekerd is: Zegt hij: "Ik ben voor 99% zeker dat deze vorm goed is," en je gaat door zonder de dure windtunneltest te doen.
Als de AI nerveus is: Zegt hij: "Ik heb een vorm als deze nog nooit gezien, ik weet het niet zeker," en dit activeert een "physics-solver-in-the-loop" mechanisme. Dit betekent dat het systeem discreet een paar echte, hoogwaardige windtunneltests uitvoert voor specifiek die lastige vorm, om vervolgens het expert panel bij te leren.

Deze "uncertainty-gated" aanpak redde de dag in een testgeval met een SUV. De AI dacht aanvankelijk een ontwerp te hebben gevonden dat de luchtweerstand met 4,36% verminderde, maar omdat de onzekerheidsscore hoog was, voerden ze de echte test uit. De echte test toonde aan dat de AI ernaast zat; de luchtweerstandsvermindering was eigenlijk 7,96% (wacht, de tekst zegt dat de initiële voorspelling onjuist was, en na verfijning was de geverifieerde reductie 7,96%). Nadat de AI leerde van de echte testgegevens, corrigeerde hij zijn gok, en de uiteindelijke geverifieerde luchtweerstandsvermindering sprong naar 7,96%. Zonder dit veiligheidsnet hadden ze misschien een slecht ontwerp geaccepteerd of een geweldig ontwerp gemist.

De "Out-of-Distribution" Uitdaging
Om het systeem echt te testen, wierpen de onderzoekers een verrassing in de groep: een auto vorm (genaamd "Sedantest") die totaal anders was dan alles in hun trainingsbibliotheek. De initiële AI faalde spectaculair, met een voorspellingsfout van 14,88% en een negatieve nauwkeurigheidsscore (R² = -18,42), wat betekent dat hij maar wat gokte.

Maar het systeem met zijn "distribution-level gate" ving dit op. Het realiseerde zich: "Hé, dit is een nieuw type auto dat we nog niet hebben gezien!" Vervolgens genereerde het 150 nieuwe lokale ontwerpen rond deze vreemde auto, voerde de echte windtunneltests op deze ontwerpen uit en leerde een gloednieuwe "expert" aan het panel. Na deze snelle training schoot de nauwkeurigheid van de AI omhoog naar een fout van slechts 1,84%. Het slaagde er vervolgens in om deze nieuwe auto te optimaliseren, waarbij de luchtweerstand met 7,43% werd verminderd.

Wat het Papier NIET is
De auteurs zijn heel duidelijk over wat dit niet is. Ze zeggen niet dat dit elk ontwerpprobleem oplost. Ze beweren ook niet dat de AI perfect werkt zonder menselijke input of historische data. Sterker nog, ze argumenteren tegen het idee om één enkele, globale AI-modellen te gebruiken voor alle typen auto's, en laten zien dat dit tot fouten leidt wanneer de data gemengd is. Ze merken ook op dat deze methode nog steeds enige echte windtunneltests (CFD) vereist om de resultaten te verifiëren, vooral wanneer de AI onzeker is; het vervangt de natuurkunde niet, het maakt het proces alleen slimmer en veiliger.

De Kern van het Verhaal
In deze simulaties en tests lieten de teams zien dat door het combineren van "slimme regels" voor het vormen van de auto met een "panel van experts" AI die weet wanneer hij hulp moet vragen, je betrouwbaarder snellere auto's kunt ontwerpen. Ze bereikten luchtweerstandsverminderingen van 10,52% voor een minivan en 4,17% voor een sedan zonder extra controles, en tot wel 7,96% voor een SUV na een snelle veiligheidscontrole. Het is een manier om high-tech design minder een gok en meer een zelfverzekerde, begeleide reis te maken.

Technische Samenvatting: Kennisgestuurde Vormoptimalisatie met een Mixture-of-Experts Neural Operator

Probleemstelling

Vormoptimalisatie in de techniek staat voor dubbele uitdagingen op zowel applicatie- als technisch niveau. Op applicatieniveau is het definiëren van optimalisatie-instellingen—zoals bewerkbare regio's, deformatiebereiken en beperkingen voor het behoud van het ontwerp—doorgaans afhankelijk van de handmatige vertaling van domeinkennis door ervaren ingenieurs, wat het proces moeilijk automatiseerbaar maakt en zwak gekoppeld is aan daaropvolgende solvers. Op technisch niveau lijden surrogaatgebaseerde optimalisatiemethoden vaak aan beperkte betrouwbaarheid wanneer ze worden toegepast op heterogene geometrie-databases of wanneer optimalisatietrajecten terechtkomen in out-of-distribution (OOD) regio's. Deze problemen vloeien voort uit drie primaire foutbronnen in surrogaat-ondersteunde inverse vormgeving: (1) lokale bias die ontstaat door het representeren van heterogene ontwerpfamilies met één enkele globale surrogaat; (2) onvoldoende dekking van de query-geometrie door de historische simulatiedatabase; en (3) extrapolatiefouten veroorzaakt door het optimalisatieproces zelf, dat kandidaten naar dun bevolkte regio's beweegt.

Methodologie

De auteurs stellen een kennisgestuurd vormoptimalisatieframework voor, geïntegreerd met een Mixture-of-Experts Neural Operator (MoE-NO) om betrouwbaar ontwerp mogelijk te maken. Het framework werkt via twee nauw gekoppelde modules:

1. Kennisgestuurde Constructie van de Ontwerpplek
Deze module vertaalt domeinkennis ( $K$ ) naar kwantificeerbare parameters voor deformatie-operators.

Kennisextractie en Gronding: Door gebruik te maken van Retrieval-Augmented Generation (RAG) over ontwerpstandaarden en richtlijnen, en een Vision-Language Model (VLM) voor visuele analyse, identificeert het systeem bewerkbare regio's, toegestane deformatierichtingen en beperkingen voor behoud (bijv. verpakking, veiligheid, maakbaarheid).
3D Control Box Reconstructie: De VLM lokaliseert semantische bewerkbare regio's in multi-view afbeeldingen, die vervolgens worden gefuseerd tot een set driedimensionale bewerkbare control boxes ( $C$ ).
Constraint-bewuste Deformatie: Een Direct Free-Form Deformation (DFFD) operator zet deze control boxes en de opgehaalde grenswaarden om in vloeiende lokale geometrische updates ( $G'(\theta)$ ). Dit zorgt ervoor dat de numerieke optimizer zoekt binnen een kennisgestuurde ruimte $\Omega(C)$ in plaats van een onbeperkte perturbatieruimte, waardoor de ontwerpidentiteit en functionele beperkingen behouden blijven.

2. High-Confidence Optimalisatie met MoE-NO
Deze module adresseert de betrouwbaarheid van de surrogaat via een physics-solver-in-the-loop strategie.

MoE-NO Surrogaat: In plaats van een enkele globale model, gebruikt de surrogaat een gating-netwerk om geometrieën naar meerdere expert neural operators te routeren. Dit stelt het model in staat om onderscheidende geometrie-prestatierelaties over heterogene datasets (bijv. MPV, SUV, Sedan) te vangen.
OOD Detectie: Voordat de optimalisatie begint, brengt de encoder van de MoE-NO de query-geometrie's in kaart naar een latente ruimte. Met behulp van nearest-neighbor Euclidean afstand, KNN mean distance en cosine similarity, bepaalt het systeem of een query OOD is ten opzien van de historische database.
- Indien OOD: Het systeem activeert een "distribution-level gate", waarbij lokale high-fidelity samples rond de query worden gegenereerd, een nieuwe expert-tak wordt toegevoegd aan de MoE-NO, en het model wordt bijgesteld (fine-tuning) om aan de nieuwe ontwerpfamilie aan te passen.
Onzekerheid-gestuurde Online Verfijning: Tijdens de optimalisatie wordt een Mahalanobis-afstand gebaseerde onzekerheidsscore berekend voor kandidaat-optima.
- Indien de onzekerheid laag is: De kandidaat wordt geaccepteerd zonder een high-fidelity solver call.
- Indien de onzekerheid hoog is: De kandidaat wordt naar een high-fidelity CFD solver gestuurd. Als het resultaat van de solver significant afwijkt van de surrogaatvoorspelling of de verbetering niet bevestigt, triggert het systeem "online refinement". Dit houdt in dat er lokale samples nabij de kandidaat worden gegenereerd, de trainingsdatabase wordt bijgewerkt en de MoE-NO wordt bijgesteld voordat de optimalisatie opnieuw wordt gestart.

Belangrijkste Bijdragen

Geautomatiseerde Kennisintegratie: Een framework dat ongestructureerde technische kennis en gebruikersintentie automatisch vertaalt naar gestructureerde, bewerkbare control boxes en deformatiegrenzen met behulp van LLM's, VLM's en RAG, waardoor de afhankelijkheid van handmatige engineering-setup wordt verminderd.
MoE-NO Architectuur: Een Mixture-of-Experts Neural Operator die de surrogaatnauwkeurigheid en trendvoorspelling op heterogene aerodynamische datasets verbetert door inputs dynamisch naar gespecialiseerde experts te routeren.
Dual-Gate Betrouwbaarheidsstrategie: Een innovatieve optimalisatielus die zowel distribution-level OOD-detectie (om nieuwe ontwerpfamilies te behandelen) als optimalisatie-level onzekerheid-gating (om zoek-geïnduceerde extrapolatie te behandelen) combineert. Deze strategie gebruikt dure high-fidelity solvers selectief alleen voor databaseverrijking en lokale foutcorrectie, in plaats van voor elke kandidaat-evaluatie.

Resultaten

Het framework werd geëvalueerd op in-house datasets voor MPV, SUV en Sedan voertuigen, waarbij een "Sedantest" geometrie als OOD-geval diende.

Surrogaatnauwkeurigheid: Op de in-distributie testset bereikte MoE-NO een Mean Absolute Percentage Error (MAPE) van 1,16% en een trendvoorspellingsnauwkeurigheid van 94,34%, waarmee het de baseline modellen Transolver (MAPE 1,52%, trend 90,34%) en DragSolver overtrof.
In-Distributie Optimalisatie: CFD-gevalideerde reducties in de weerstandscoëfficiënt van 10,52% (MPV) en 4,17% (Sedan) werden bereikt zonder online verfijning. Voor de SUV-casus, waar de initiële surrogaatvoorspelling een hoge onzekerheid vertoonde, verminderde online verfijning de discrepantie tussen surrogaat en CFD van 2,78% naar 1,25% en verbeterde de gevalideerde weerstandsreductie van 4,36% naar 7,96%.
Out-of-Distribution Adaptatie: Voor de uit de dataset gehouden Sedantest-geometrie (aanvankelijk OOD met $R^2 = -18,42$ en MAPE = 14,88%), activeerde de distribution-level gate de toevoeging van een nieuwe expert en de bijbehorende fine-tuning. Dit herstelde het voorspellend vermogen ( $R^2 = 0,9525$ , MAPE = 1,84%) en maakte een CFD-gevalideerde weerstandsreductie van 7,43% mogelijk.

Betekenis

Het artikel stelt dat dit framework een praktische route biedt naar high-confidence design in scenario's waarin zowel fysieke evaluatie als handmatige constructie van de ontwerpplek kostbaar zijn. Door engineeringregels om te zetten in expliciete optimalisatiebeperkingen en door onzekerheidskwantificatie te gebruiken om selectief high-fidelity solvers aan te roepen, balanceert de methode tussen computationele efficiëntie en betrouwbaarheid. Het adresseert de beperkingen van puur datagestuurde benaderingen door te garanderen dat optimalisatietrajecten binnen fysiek en industrieel geldige regio's blijven, terwijl ze zich aanpassen aan nieuwe ontwerpfamilies wanneer dat nodig is. De auteurs merken op dat de aanpak momenteel beperkt is tot single-objective drag reduction en afhankelijk is van de kwaliteit van de opgehaalde kennis en visuele gronding, wat wijst op toekomstig werk in multidisciplinaire optimalisatie en variable-fidelity feedback.