Resumo Técnico: AeroJEPA

Declaração do Problema

O projeto aerodinâmico depende cada vez mais de regimes de "muitas consultas", onde os engenheiros devem avaliar repetidamente campos de fluxo de alta dimensão em vastos espaços de geometrias e condições operacionais. Embora a Dinâmica dos Fluidos Computacional (CFD) de alta fidelidade permaneça o padrão-ouro, seu custo computacional proíbe a otimização direta e a iteração rápida. Modelos substitutos neurais existentes tentam abordar isso, mas enfrentam duas limitações críticas na aerodinâmica 3D realista:

1. Escalabilidade: Muitas abordagens são otimizadas para previsão direta de campos em discretizações fixas, tornando-as difíceis de escalar para os tamanhos de saída massivos (por exemplo, dezenas de milhões de pontos) encontrados em simulações de camada limite de alta fidelidade.
2. Falta de Estrutura Semântica: Mesmo modelos precisos frequentemente falham em produzir representações latentes que sejam diretamente úteis para análise ou projeto. Eles preveem campos, mas não geram variáveis latentes claramente alinhadas com geometria, condições operacionais ou física subjacente, prejudicando sua utilidade para a compreensão científica e otimização de projeto baseada em gradientes.

Metodologia: AeroJEPA

Os autores introduzem o AeroJEPA, uma Arquitetura de Predição de Incorporação Conjunta adaptada para modelagem de campos aerodinâmicos 3D. Diferente de substitutos tradicionais que mapeiam geometria diretamente para campos de fluxo de alta dimensão ou autoencoders que focam na reconstrução de pixels/vóxeis, o AeroJEPA opera dentro de um espaço latente aprendido e fisicamente significativo.

Arquitetura Central

O framework desacopla a codificação de geometria, a predição latente e a decodificação de campo através de uma interface tokenizada:

• Codificador de Contexto ($E_c$): Mapeia o projeto geométrico (representado como uma nuvem de pontos não estruturada de pontos de condição de contorno) e as condições operacionais (por exemplo, ângulo de ataque, número de Reynolds, número de Mach) em um conjunto de tamanho fixo de tokens de contexto ($Z_c$).
• Codificador de Alvo ($E_t$): Usado apenas durante o treinamento, este mapeia o campo de fluido de verdade absoluta (subamostrado independentemente da geometria) em tokens de alvo ($Z_t$).
• Preditor ($f^{pred}_\theta$): Em vez de prever o campo denso diretamente, o preditor opera inteiramente no espaço latente tokenizado. Ele recebe os tokens de contexto ($Z_c$) e as condições operacionais ($c$) para prever os tokens de fluxo de alvo ($\hat{Z}_t$). Esta formulação aprende o mapeamento de tokens condicionados à geometria para tokens condicionados ao fluxo.
• Decodificador de Representação Neural Implícita (INR) ($f^{dec}_\phi$): Um decodificador contínuo opcional que reconstrói o campo de fluido físico (velocidade, pressão) em pontos de consulta espaciais arbitrários $q$ a partir do estado latente previsto $\hat{Z}_t$. Isso permite saída independente de resolução sem exigir malha volumétrica.

Objetivos de Treinamento

O AeroJEPA emprega um fluxo de trabalho de treinamento acoplado para evitar o colapso da representação enquanto garante validade física:

• Perda de Correspondência Latente ($L_{lat}$): Alinha os tokens previstos ($\hat{Z}_t$) com os tokens de alvo ($Z_t$) token a token.
• Perda de Reconstrução ($L_{rec}$): Quando o decodificador é incluído, minimiza o erro entre o campo decodificado e a verdade absoluta em pontos de consulta amostrados.
• Regularização SIGReg ($L_{sig}$): Um regularizador explícito aplicado à distribuição latente para prevenir colapso e encorajar um espaço de incorporação bem distribuído, substituindo a necessidade de professores de Média Móvel Exponencial (EMA) ou heurísticas de stop-gradient.

A perda total é uma soma ponderada: $L_{total} = \lambda_\ell L_{lat} + \lambda_r L_{rec} + \lambda_s L_{sig}$.

Contribuições Principais

1. Arquitetura Latente Preditiva no Estilo JEPA: O artigo formula uma abordagem novel de modelagem substituta que combina predição latente condicionada à geometria com um decodificador INR contínuo, movendo o problema de aprendizado caro da previsão de campo denso para a predição latente estruturada.
2. Espaços Latentes Semanticamente Significativos: Os autores demonstram que os espaços latentes aprendidos não são meramente descritivos, mas estruturalmente alinhados com variáveis de projeto e quantidades aerodinâmicas. Apesar de não serem treinados em coeficientes integrados (como $C_L$ ou $C_D$) ou parâmetros de projeto específicos, essas quantidades podem ser recuperadas linearmente do espaço latente com alta fidelidade.
3. Escalabilidade e Utilidade para Otimização: A abordagem mostrou-se competitiva para previsão de campos enquanto escala naturalmente para saídas de alta resolução. Além disso, a estrutura latente suave permite um fluxo de trabalho de otimização leve e diferenciável no espaço latente, contornando a necessidade de manipulação repetida de malha ou decodificação de campo completo durante o loop de otimização.

Resultados Experimentais

O método foi avaliado em dois conjuntos de dados complementares: HiLiftAeroML (campos de camada limite de alta fidelidade e grande escala em aeronaves de alto sustentação realistas) e SuperWing (generalização ampla sobre uma família paramétrica de asas transônicas).

• Precisão do Substituto: No HiLiftAeroML, o AeroJEPA superou modelos de base (FigConvUNet, GeoTransolver, Transolver) em erros relativos $L_2$ e $L_1$ para campos de pressão e velocidade, enquanto exigia custo computacional de inferência significativamente menor (por exemplo, ~57 TFLOPs vs. ~88–309 TFLOPs para as bases). Ele capturou com sucesso estruturas complexas de fluxo separado em configurações não vistas.
• Estrutura Latente:
  • Sondagem: Sondas lineares recuperaram deflexões de superfícies de controle de alto sustentação a partir de contextos latentes com valores de $R^2$ entre 0,965 e 0,988, e coeficientes aerodinâmicos ($C_L, C_D$) a partir de latentes previstos com $R^2$ de 0,930 e 0,996, respectivamente.
  • Interpolação e Aritmética: O espaço latente suportou interpolação controlada entre condições operacionais e estados geométricos. A aritmética de vetores de conceito revelou que os controles de flap e slat estavam quase desacoplados (subespaços ortogonais), enquanto segmentos internos/externos da mesma superfície mostraram acoplamento físico esperado.
• Otimização: No SuperWing, os autores realizaram uma otimização de prova de conceito para maximizar a eficiência aerodinâmica ($C_L/C_D$) diretamente no espaço latente de contexto de 128 dimensões. A busca convergiu para um ponto de projeto correspondente a uma configuração de asa de alta eficiência (alta razão de aspecto, alta varredura) que existia dentro do envelope do conjunto de dados, demonstrando a utilidade do espaço latente para exploração de projeto.

Significado e Alegações

O artigo postula que o aprendizado latente preditivo é uma direção promissora para modelagem substituta aerodinâmica. O significado do AeroJEPA reside em sua capacidade de fornecer substitutos que não são apenas escaláveis e precisos, mas também analisáveis e úteis para exploração do espaço de projeto. Ao desacoplar a predição da resolução espacial e organizar o espaço latente semanticamente, o método permite ciclos de projeto rápidos e travessia controlada do espaço de projeto sem a sobrecarga computacional de avaliações repetidas de CFD de alta fidelidade.

Os autores mantêm uma postura modesta, observando que o estudo atual é limitado a dois conjuntos de dados e principalmente a regimes de fluxo estacionário. As análises de otimização e latente são apresentadas como demonstrações de prova de conceito de estrutura semântica, em vez de um pipeline de projeto industrial completo e de ponta a ponta. Trabalhos futuros são identificados como necessários para abordar regimes de fluxo mais amplos, integração mais estreita com pipelines de projeto inverso e configurações não estacionárias ou de múltiplas fidelidades.