Technische Samenvatting: ParaKoop – Parametrische Koopman-surrogaat voor Automobiel Aerodynamisch Ontwerp met Quantum HHL-integratie

1. Probleemstelling

Het ontwerp van de aerodynamica van voertuigen wordt momenteel beperkt door de computationele kosten van Computational Fluid Dynamics (CFD). Een enkele simulatie van de weerstand- en liftkarakteristieken van een personenauto kan 6 tot 48 uur duren. Het ontwerpproces is inherent "voorwaarts": ingenieurs stellen een geometrie voor, draaien een simulatie en itereren handmatig. Er is geen mechanisme om direct de "omgekeerde" vraag te beantwoorden: "Gegeven een doel-weerstandscoëfficiënt ($C_d$), welke specifieke geometrie bereikt deze?" Bovendien zijn bestaande surrogaatmodellen (machine learning-benaderingen van CFD) doorgaans alleen voorwaartse voorspellers die geen gradiëntgebaseerd invers ontwerp kunnen uitvoeren of bruikbare engineering-dimensies (bijv. millimeters en graden) kunnen leveren. Daarnaast wordt de praktische toepassing van quantum lineaire solvers zoals het Harrow–Hassidim–Lloyd (HHL) algoritme op CFD gehinderd door hoge conditienummers ($\kappa$) in gediscretiseerde fluïdumsystemen, wat de quantumvoordelen tenietdoet.

2. Methodologie: De ParaKoop Architectuur

Het paper introduceert ParaKoop, een parametrische Koopman-surrogaat die voorwaartse voorspelling, invers ontwerp en quantum-gereedheid verenigt in één enkel wiskundig object: een geometrie-geconditioneerde Koopman-operator, $A(\theta)$.

2.1 Verenigde Geometrische Representatie

Om twee uiteenlopende datasets te overbruggen — DrivAerNet++ (~8.000 steady-state full-scale auto-simulaties) en AhmedML (499 transient bluff-body simulaties) — gebruiken de auteurs een 8-dimensionale, schaal-invariante geometrische descriptor $\theta$. Deze vector bevat:

• One-hot body style flags (fastback, notchback, estateback).
• Dimensieloze ratio's: hoogte-tot-lengte ($h/L$), breedte-tot-hoogte ($w/h$), en genormaliseerde achterste hellingshoek ($\alpha/90$).
• Cabin fraction en een detailniveau flag.
  Deze representatie stelt het model in staat om vormkenmerken te leren die onafhankelijk zijn van de absolute voertuiggrootte, wat gezamenlijke training over datasets met verschillende schalen mogelijk maakt.

2.2 Parametrische Koopman-operator

In plaats van voor elke auto vorm een apart model te leren, leert ParaKoop een enkele operator $A(\theta)$ die varieert met de geometrie.

• Lifting Space: Het model brengt de 8D geometrie naar een 128-dimensionale "lifted space" waar het aerodynamische gedrag wordt benaderd als lineair.
• Low-Rank Dyadic Parameterization: De operator wordt gedefinieerd als $A(\theta) = I + \sum_{k=1}^{r} \alpha_k(\theta) (u_k \otimes v_k^T)$, waarbij $I$ de identiteitsmatrix is, $r=16$ de rang, en $\alpha_k(\theta)$ geometrie-afhankelijke gewichten zijn gegenereerd door een klein neuraal netwerk. Dit zorgt ervoor dat de operator een bijna-identiteit perturbatie is, waardoor deze goed geconditioneerd blijft.
• Fixed-Point Formulering: De steady-state aerodynamische prestaties worden gecodeerd als het vaste punt van het systeem: $A(\theta) \cdot z^* = z^* + b(\theta)$. Het vaste punt $z^*$ (de "aerodynamische vingerafdruk") wordt vervolgens via een lineaire head gemapt naar weerstands- ($C_d$) en liftcoëfficiënten ($C_l$).

2.3 Trainingsstrategie

Het model wordt end-to-end getraind op een gecombineerde verliesfunctie:

1. Fixed-Point Loss ($L_{fp}$): Zorgt ervoor dat $A(\theta)$ fungeert als een geldige operator.
2. Performance Loss ($L_{perf}$): Minimaliseert de fout in de voorspelde $C_d$ en $C_l$.
3. Autoencoder Loss ($L_{ae}$): Voor de 75 AhmedML gevallen met volledige volumetrische stromingsvelden (VTU), dwingt een "phi-supervised grounding" loss de lifted state om het werkelijke stromingsveld te reconstrueren. Dit dient als een reality check en vermindert de conditiegetal van de operator aanzienlijk.

2.4 Invers Ontwerp en Physics Guardrails

Invers ontwerp wordt uitgevoerd door gradiëntafdaling (AdamW) uit te voeren op de input-geometrie $\theta$ om het verschil tussen de voorspelde $C_d$ en een door de gebruiker gedefinieerde doelwaarde te minimaliseren.

• Proximity Regularization: Een strafterm ($\lambda_{prox}$) voorkomt dat de optimizer geometrisch onwaarschijnlijke resultaten produceert (bijv. een auto verkleinen tot de grootte van een motorfiets) door de oplossing dicht bij de startgeometrie te houden.
• Physics Guardrails: Elke output wordt automatisch gecontroleerd tegen Reynolds ($Re$), Mach ($Ma$) en Euler ($Eu$) grenswaarden om te garanderen dat het ontwerp binnen het geldige stromingsregime van de trainingsdata blijft.

2.5 Quantum Integratie

De getrainde operator $A(\theta)$ definieert een lineair systeem $A(\theta) \cdot z = z^* - b(\theta)$ dat geschikt is voor de HHL quantum solver. Het paper karakteriseert het conditienummer $\kappa$ van dit systeem om de quantum-gereedheid te beoordelen.

3. Belangrijkste Bijdragen

1. Geometrie-geconditioneerde Operator: De eerste Koopman-formulering die conditioneert op de auto-geometrie ($\theta$) in plaats van op de tijd, waardoor een enkele operator prestaties over diverse vormen (fastback, notchback, estateback) kan voorspellen zonder hertraining.
2. Verenigde Multi-Dataset Training: De eerste surrogaat die gezamenlijk is getraind op DrivAerNet++ en AhmedML, waarbij de brug wordt geslagen tussen steady-state full-scale auto's en transient bluff-body modellen via een schaal-invariante representatie.
3. Direct Invers Ontwerp: Een gradiëntgebaseerd mechanisme dat specifieke, bruikbare engineering-wijzigingen output (bijv. "verklein de achterste helling met 10,4°") in minder dan een seconde, zonder nieuwe simulaties.
4. Phi-Supervised Grounding: Een trainingstechniek die gebruikmaakt van volumetrische stromingsvelden om het conditienummer van de operator van $\kappa \approx 1.7\text{--}2.9$ te verlagen naar $\kappa \approx 1.03\text{--}1.23$, waardoor het systeem geschikt wordt voor quantum-oplossing.
5. Systematische HHL Karakterisering: De eerste empirische meting van conditienummers over een grote automotive vormfamilie, wat aantoont dat Koopman-afgeleide lineaire systemen inherent goed geconditioneerd zijn voor HHL.
6. Open-Source Implementatie: Publieke release van de code, model checkpoints en een interactieve Streamlit demonstratie.

4. Experimentele Resultaten

• Forward Prediction: Op een uit de dataset gehouden validatieset bereikte ParaKoop een Mean Absolute Error (MAE) van 0.01401 voor $C_d$, waarmee het een Gradient-Boosted Regressor (GBR) baseline met 10% versloeg, ondanks het gebruik van gecomprimeerde ratio-gebaseerde features.
• Domein Validatie: Op 74 volledig uit de dataset gehouden AhmedML gevallen (out-of-scale domeintest), bereikte het model een $C_d$ MAE van 0.0378, wat de cross-scale overdraagbaarheid bevestigt. De $C_l$ MAE was 0.1045, beperkt door de schaarste aan lift-labels in de trainingsdata.
• Eigenspectrum Analyse: De eigenwaarden van de operator clusterden strak rond 1.0 met bijna nul imaginaire delen, wat bevestigt dat de operator geometrisch (steady-state) is in plaats van temporeel, en de near-identity design valideert.
• Quantum Readiness: Het conditienummer $\kappa$ varieerde tussen 1.03 en 1.23 over verschillende carrosserievormen. Dit impliceert een theoretische HHL-versnelling van 14.8× tot 17.8× ten opzichte van klassieke Conjugate Gradient solvers, waarbij slechts 15 qubits nodig zijn.
• Invers Ontwerp: Het systeem genereerde succesvol geometrie-suggesties voor doel-$C_d$ waarden (bijv. 0.23, 0.28) binnen 300 optimalisatiestappen. Proximity regularization ($\lambda_{prox}=2.0$) bleek essentieel voor het produceren van engineering-geloofwaardige ontwerpen, omdat het voorkomt dat de optimizer dimensiereductie exploiteert om lage weerstand te bereiken.

5. Betekenis en Claims

Het paper claimt dat ParaKoop de primaire bottleneck in het aerodynamisch ontwerp van voertuigen wegneemt door real-time invers ontwerp mogelijk te maken. Het verschuift de workflow van "voorstellen $\to$ simuleren $\to$ itereren" naar "doel $\to$ optimaliseren $\to$ bouwbare geometrie" in minder dan een seconde.

Cruciaal is dat de auteurs dit werk positioneren als een gereedheidskarakterisering voor quantum computing. Ze beweren niet het HHL-algoritme op fysieke quantum hardware te hebben uitgevoerd. In plaats daarvan demonstreren ze dat de lineaire systemen die natuurlijk voortkomen uit Koopman-gebaseerde aerodynamische surrogaten de lage conditienummers ($\kappa < 1.25$) bezitten die vereist zijn voor HHL om een theoretisch voordeel te bieden. Dit overbrugt de kloof tussen klassieke surrogaatmodellering en toekomstige quantumtoepassingen.

Het paper erkent beperkingen, waaronder de hogere fout in liftvoorspelling door data-imbalans, de grove resolutie van de geometrische descriptor (die fijne details zoals diffuser-vormen mist), en de smalle snelheidscategorie van de trainingsdata. De auteurs identificeren directe CFD closure — het draaien van OpenFOAM-simulaties op nieuw ontworpen vormen — als de noodzakelijke volgende stap om de volledige pijplijn te valideren.

Alle code en de interactieve demonstratie zijn beschikbaar op https://github.com/Ranaam21/Parakoop.