Resumo Técnico: Modelos de Drifting para Modelagem de Fluxo Substituta

Declaração do Problema

A Dinâmica de Fluidos Computacional (CFD) é o padrão para otimizar ambientes internos e garantir a qualidade do ar, oferecendo campos de fluxo de alta fidelidade. No entanto, seu alto custo computacional impede a exploração rápida de designs e o controle em tempo real. Embora modelos substitutos baseados em dados ofereçam uma solução, eles enfrentam um compromisso: arquiteturas determinísticas (ex: FNOs, U-Nets) são rápidas, mas frequentemente falham em capturar distribuições de fluxo multimodais complexas, prevendo expectativas suavizadas. Por outro lado, abordagens generativas como modelos de difusão capturam a complexidade física e a incerteza, mas sofrem com a inferência lenta devido aos processos iterativos de denoising que exigem centenas de avaliações de função neural (NFE).

Metodologia

Os autores adaptam a estrutura de drifting generativo [11] para a mecânica dos fluidos para alcançar uma geração de alta qualidade em passo único. Ao contrário da difusão ou do flow matching, que aprendem trajetórias iterativas de ruído-para-dados, os modelos de drifting evoluem uma distribuição pushforward $q$ durante o treinamento para corresponder à distribuição de dados $p$ via um campo de drifting $V_{p,q}$.

Adaptações Principidas para CFD

Para aplicar o drifting à previsão de fluxo interno, os autores introduziram três modificações críticas:

1. Drifting no Espaço Latente via VAE:
   Em vez de operar no espaço de pixels brutos ou usar características de imagens pré-treinadas, os autores treinaram um Autoencoder Variacional (VAE) convolucional em seus dados de simulação. Isso mapeia campos de velocidade de $64 \times 64$ para uma representação latente compacta de $4 \times 4 \times 16$. O drifting ocorre dentro deste espaço latente, preservando a integridade estrutural enquanto evita características pré-treinadas subótimas.

2. Arquitetura Condicional:
   O modelo é condicionado por condições de contorno, incluindo posições de entrada/saída, geometria da sala e magnitude da velocidade de entrada ($v_{in}$). Duas variantes de condicionamento foram investigadas:

   • Baseada em Rótulos (Label-based): Trata a entrada/saída como identificadores discretos de um catálogo fixo, incorporando-os via uma tabela aprendida. Isso é restrito a configurações enumeradas.
   • Espacial (Spatial): Substitui identificadores por uma máscara binária de três canais que codifica explicitamente a localização de entrada, saída e obstáculos. Esta variante visa generalizar para geometrias não vistas.
     Ambas as variantes incorporam a velocidade escalar via um MLP e combinam-na com a incorporação da geometria para impulsionar um backbone de Diffusion Transformer (DiT).

3. Mascaramento Positivo Consciente de Rótulo (Label-Aware Positive Masking):
   Para lidar com configurações de dados esparsos onde os lotes contêm condições mistas, os autores introduziram uma máscara de compatibilidade binária. Isso controla o kernel de atração no campo de drifting, garantindo que as amostras geradas derivem apenas para amostras positivas com triplas correspondentes de (entrada, saída, geometria). Isso evita que o modelo realize uma média entre regimes de fluxo incompatíveis.

Comparação com Baseline

Os modelos de drifting foram comparados contra um baseline de Modelo de Difusão Latente (LDM) [19, 20] operando no mesmo espaço latente. O LDM utiliza um cronograma de cosseno de 1.000 passos com atenção cruzada para condicionamento e amostragem DDIM para inferência.

Configuração Experimental

• Dataset: 2.025 simulações de CFD 2D em regime permanente de fluxo de ar incompressível em uma sala de $1,5\text{m} \times 1,5\text{m}$, geradas usando Simcenter STAR-CCM+ (modelo RANS $k$-$\epsilon$).
• Configurações: Três setups geométricos (sala vazia, obstáculo central, obstáculo deslocado) com variações sistemáticas nas posições de entrada/saída (15 cada) e velocidades de entrada (0,1, 0,2, 0,3 m/s).
• Métricas: Avaliados em precisão de campo (nRMSE, $R^2$, Similaridade de Cosseno) e consistência de estrutura de fluxo (gap de divergência, gap de vorticidade).

Resultados

Desempenho Quantitativo

• Precisão: O baseline de difusão alcançou a maior precisão (nRMSE: 0,059). O modelo de drifting baseado em rótulos seguiu de perto (nRMSE: 0,068), demonstrando precisão competitiva em um único passo. A variante de drifting espacial mostrou menor fidelidade (nRMSE: 0,108) e maior variância, particularmente na captura de magnitude, embora tenha recuperado as direções dominantes do fluxo.
• Estrutura de Fluxo: O modelo de drifting baseado em rótulos manteve uma consistência de estrutura de fluxo competitiva, com gaps de divergência e vorticidade comparáveis ao baseline de difusão. A variante espacial exibiu super-predição sistemática de estruturas rotacionais.
• Velocidade de Inferência: O modelo de drifting é dois ordens de magnitude mais rápido que o baseline de difusão. Em uma NVIDIA A100, o modelo de drifting alcançou uma latência de 6,74 ms (1 NFE) comparado a 1870,2 ms (1000 NFE) para o modelo de difusão.

Observações Qualitativas

• Em cenários de sala vazia, o modelo de drifting baseado em rótulos recuperou com sucesso as topologias primárias de fluxo, incluindo jatos e zonas de recirculação de canto, com distribuições de erro comparáveis ao baseline de difusão.
• Em cenários com obstáculos, a variante de condicionamento espacial capturou a topologia essencial (divisão de fluxo, separação de borda), mas teve dificuldades com a escala de velocidade, produzindo super-predições localizadas.

Significância e Alegações

O artigo postula que o drifting condicional serve como uma alternativa altamente eficiente para abordagens baseadas em difusão para modelagem de fluxo substituta. A principal significância reside em desbloquear surrogates de CFD em tempo real, onde a velocidade de inferência é crítica, sem o ônus computacional iterativo da difusão.

• Eficiência: O modelo alcança NFE=1, reduzindo o tempo de inferência em ~280x em comparação com um baseline de difusão de 1000 passos, mantendo uma precisão competitiva.
• Generalidade: Embora a implementação atual de base em rótulos seja limitada a configurações enumeradas, os autores propõem a variante de condicionamento espacial como um caminho promissor para a generalização para geometrias não vistas, apesar das lacunas de desempenho atuais.
• Framework: Este trabalho estabelece um framework reutilizável para surrogates de computação científica, combinando drifting em espaço latente, condicionamento espacial-escalar e mascaramento consciente de rótulo.

Os autores concluem que, embora a difusão seja ligeiramente mais precisa, a estreita diferença de desempenho combinada com a enorme vantagem de velocidade torna o drifting de passo único uma solução viável para aplicações com restrição de custo. O trabalho futuro é direcionado para fechar a lacuna de precisão para o condicionamento espacial e estender o modelo para regimes 3D transientes.