From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

Projetar um hidrofólio, a estrutura semelhante a uma asa que levanta um barco da água para reduzir o arrasto, é um jogo de tentativa e erro interminável. Para encontrar a forma perfeita, os engenheiros devem testar milhares de variações, alterando a curvatura, a espessura e o ângulo do perfil. Para cada nova forma, eles devem executar uma simulação computacional complexa que resolve a física da água fluindo ao redor do objeto. Essas simulações são incrivelmente precisas, mas também incrivelmente lentas; rodar um único teste pode levar horas em computadores potentes. Por causa disso, explorar toda a gama de possíveis designs é frequentemente caro e demorado demais. Nos últimos anos, cientistas tentaram acelerar esse processo treinando inteligência artificial para atuar como um atalho. Em vez de resolver as equações da física do zero a cada vez, esses modelos de IA aprendem a prever o fluxo da água e as forças resultantes com base em padrões que já viram antes. A esperança é que esses "substitutos neurais" possam encontrar os melhores designs em segundos, em vez de horas.

No entanto, um novo estudo publicado pelo pesquisador independente Aarav Dixit revela uma falha crítica na forma como julgamos atualmente esses atalhos de IA. Durante anos, a maneira padrão de decidir qual modelo de IA era o melhor era verificar o quão próximo sua previsão de pressão da água correspondia às simulações computacionais lentas e de alta fidelidade. Se a IA acertasse o mapa de pressão, era considerada um sucesso. Mas este artigo argumenta que acertar o mapa de pressão não significa necessariamente que a IA ajudará um engenheiro a encontrar o melhor design de asa para um barco. O verdadeiro teste de uma ferramenta de design não é apenas o quão bem ela imita um mapa, mas se ela leva ao mesmo design vencedor que o método lento e confiável. Para descobrir, o pesquisador estabeleceu uma competição rigorosa de frente a frente entre quatro tipos diferentes de modelos de IA, forçando todos eles a resolver o mesmo problema de design e, em seguida, verificando suas respostas finais com simulações de alta precisão inéditas.

O estudo focou em um conjunto específico de hidrofólios baseados em perfis padrão conhecidos como perfis NACA, que são definidos por números simples que descrevem sua curvatura e espessura. O pesquisador gerou um banco de dados de 381 simulações detalhadas de água fluindo sobre esses perfólios em diferentes velocidades e ângulos. A partir desses dados, quatro famílias distintas de redes neurais foram treinadas para prever o fluxo e as forças de sustentação e arrasto. O primeiro tipo, uma rede neural convolucional, busca padrões locais no fluxo como um olho humano escaneando um mapa. O segundo, um operador neural de Fourier, analisa o fluxo decompondo-o em ondas globais. O terceiro, uma rede de operador profundo (deep operator network), separa a descrição da forma da descrição das condições de fluxo. O quarto, uma rede neural informada pela física, é restringida pelas leis fundamentais do movimento dos fluidos, forçando-a a respeitar as regras da física mesmo ao fazer suposições.

Uma vez treinados, esses modelos não foram apenas solicitados a prever um único caso; eles receberam a tarefa de encontrar o melhor formato possível de hidrofólio. Cada modelo recebeu os mesmos pontos de partida e um limite estrito de quarenta tentativas para melhorar o design. O objetivo era maximizar a razão entre sustentação e arrasto, essencialmente fazendo o barco ir mais rápido com menos esforço. Crucialmente, o ciclo de otimização rodou inteiramente nas previsões da IA; o computador de alta fidelidade e lento foi mantido desligado durante a busca para ver como a IA se comportaria quando fosse a única ferramenta disponível. Após a IA selecionar seu melhor design, o pesquisador executou uma nova simulação de alta precisão naquele formato específico para ver o que a física real dizia. Essa verificação final foi comparada contra um baseline onde o próprio computador lento realizou a otimização, fornecendo um padrão ouro para o que deveria ser a melhor resposta possível.

Os resultados mostraram um descompasso surpreendente entre precisão e utilidade. Em termos de erro de previsão bruto, um modelo, a rede de operador profundo, foi o vencedor claro. Ele previu a pressão, a sustentação e o arrasto com a maior precisão em casos de teste não vistos, seguido de perto pela rede informada pela física. O modelo informado pela física também foi o mais rápido, oferecendo uma aceleração de aproximadamente 665 vezes em comparação com a simulação tradicional. No entanto, quando esses modelos foram usados para projetar um novo perfil, o cenário mudou. A rede de operador profundo e a rede informada pela física encontraram designs que performaram excepcionalmente bem, alcançando razões de sustentação/arrasto entre 36 e 37. Em contraste, o modelo que buscava padrões locais teve dificuldades significativas, encontrando designs muito menos eficientes. O modelo que analisava ondas globais foi estável, mas escolheu consistentemente designs que não eram tão bons quanto os outros.

Talvez a descoberta mais importante tenha sido que o desempenho desses modelos de IA não foi consistente. Quando o pesquisador executou o mesmo processo de otimização várias vezes com condições iniciais ligeiramente diferentes, os designs finais variaram. A rede de operador profundo e a rede informada pela física produziram vencedores diferentes dependendo da execução, enquanto o modelo de padrão local foi instável tanto em suas previsões quanto em suas escolhas de design. Além disso, o estudo destacou uma limitação oculta no próprio processo de verificação. Mesmo quando a IA encontrava um ótimo design, a verificação final usando a simulação de alta precisão mostrou que os resultados eram sensíveis à resolução da grade computacional. A força de arrasto, em particular, mudou em até 26 por cento quando a grade da simulação foi tornada mais fina, sugerindo que até a "verdade" usada para verificar a IA possui suas próprias incertezas.

Este trabalho demonstra que o caminho de uma boa previsão para um bom design não é direto. Um modelo pode ser excelente em adivinhar a pressão em cada ponto de uma asa, mas ainda assim falhar em guiar um engenheiro ao formato ideal. O estudo conclui que o campo do aprendizado de máquina científico precisa ir além das simples métricas de erro. Para realmente construir a ponte entre a inteligência artificial e a engenharia, essas ferramentas devem ser avaliadas pela qualidade dos designs que produzem e pela robustez desses designs sob diferentes condições. A melhor IA não é necessariamente aquela que desenha o mapa mais preciso, mas aquela que leva confiavelmente ao melhor destino.