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

想象一下，你是一位大师级雕塑家，正试图从一块巨大的粘土块中雕刻出一辆更快速、更流线型的汽车。但有一个限制条件：你不能随心所欲地改变粘土的形状。你必须遵守严格的规则。你不能改变车窗的形状，因为人们需要向外看；你不能把车做得太宽，否则进不去车库；你也绝对不能乱动发动机舱。在现实世界中，经验丰富的工程师通常需要坐下来，在蓝图上手动绘制出这些“安全区域”，然后才开始调整设计。这非常缓慢，且完全依赖于他们的记忆和经验。

这篇论文介绍了一种全新的、超级智能的助手，它能完成两件大事：它能为你自动绘制那些“安全区域”，并构建一个“水晶球”，在无需进行数百万次昂贵的风洞测试的情况下，预测你的车跑得有多快。

“智能规则”助手
首先，团队教会了计算机阅读工程规则手册、安全指南和设计标准库。当你向它展示一张汽车图片时，计算机使用一种“视觉-语言模型”（可以理解为一个既能看又能读的机器人）来搞清楚哪些部分是可以改变的。它可能会说：“好的，我们可以调整前保险杠和引擎盖，但 A 柱（支撑挡风玻璃的柱子）必须保持不动。”

计算机并没有仅仅靠猜测，而是将这些规则转化为汽车周围的不可见的 3D 盒子。然后，它使用一种叫做“直接自由变形”（Direct Free-Form Deformation）的数学技巧，在这些盒子内部对粘土进行微调。这确保了计算机创造出的每一个新形状在物理上都是可行的，并且符合所有的安全和制造规则。这就像拥有一个机器人，它只允许你雕刻那些被允许移动的部分，而让其余部分保持完美刚性。

“专家组”水晶球
通常情况下，为了查看一个新车形是否快速，你必须运行大规模的计算机模拟，即 CFD（计算流体力学）。这就像是在虚拟风洞中运行你的汽车。虽然它极其精确，但由于消耗的计算能力巨大，你无法测试每一个想法。

因此，工程师们通常会使用一种“代理模型”——一种快速、廉ся的 AI，用来猜测风洞测试的结果。但问题在于，如果 AI 之前从未见过类似你的这种形状，它的猜测可能会大错特错。这就像是问一位只了解夏季天气的气象预报员关于暴风雪的预测；他们可能会说“晴天”，而实际上正在下雪。

作者构建了一种新型 AI，称为混合专家神经网络算子（MoE-NO）。想象一下，这不仅仅是一个 AI，而是一个由不同专家组成的专家组。一位专家了解 SUV，另一位了解轿车，还有一位了解面包车。当你向 AI 展示一个新的车形时，“门控网络”（也就是团队领导）会询问：“哪位专家最了解这个形状？”然后结合他们的答案。

论文显示，这种“专家组”比以往的单一 AI 模型表现得更好。在 450 个车形的测试集中，该新 AI 预测阻力（空气阻力）的误差仅为 1.16%，击败了之前误差为 1.52% 的最佳模型。更重要的是，它在 94.34% 的情况下都正确捕捉到了“趋势”。这意味着如果一辆车比另一辆车更快，AI 能正确判断出谁更快，这对于寻找最佳设计至关重要。

“信任但要验证”的安全网
这个系统最酷的部分在于它如何处理不确定性。AI 知道自己在什么时候是在瞎猜。它使用一个数学上的“不确定性得分”来检查它正在观察的车形是否是它曾经见过的。

• 如果 AI 很自信： 它会说：“我有 99% 的把握这个形状很好，”然后你就无需运行昂贵的风洞测试，直接继续下一步。
• 如果 AI 很紧张： 它会说：“我从未见过这样的形状，我不确定，”这会触发一个“物理求解器在环”（physics-solver-in-the-loop）机制。这意味着它会悄悄地针对那个特定的棘手形状运行几次真实的、高保真的风洞测试，从而进行学习，并更新其专家组。

这种“不确定性门控”方法在一次 SUV 测试案例中挽救了局面。AI 最初认为它发现了一个能降低阻力的设计，降幅为 4.36%，但由于不确定性得分很高，他们运行了真实测试。真实测试显示 AI 错了；实际的减阻效果并非如此（注：论文提到初始预测有误，经过优化后，经验证的减阻效果为 7.96%）。在从真实测试数据中学习后，它修正了自己的猜测，最终验证的减阻率跃升至 7.96%。如果没有这个安全网，我们可能会接受一个糟糕的设计，或者错过一个伟大的设计。

“分布外”挑战
为了真正测试该系统，研究人员抛出了一个变数：一个与他们训练库中任何东西都完全不同的车形（称为“Sedantest”）。初始 AI 表现得非常糟糕，预测误差高达 14.88%，且准确度评分为负值（R² = -18.42），这意味着它几乎是在随机猜测。

但系统的“分布级门控”捕捉到了这一点。它意识到：“嘿，这是一种我们从未见过的车型！”随后，它围绕这个奇怪的车型生成了 150 个新的局部设计，对它们进行了真实的风洞测试，并为专家组培养了一位全新的“专家”。经过这次快速训练后，AI 的准确度飙升，误差仅为 1.84%。随后，它成功优化了这款新车，将阻力降低了 7.43%。

论文明确说明了它“不是”什么
作者非常明确地指出，这并不意味着解决了所有设计问题。他们并未声称该 AI 在没有人类输入或历史数据的情况下可以完美运行。事实上，他们反对使用单一的、全局性的 AI 模型来处理所有类型的汽车，并证明了当数据混合在一起时会导致误差。他们还指出，这种方法仍然需要一些真实的风洞测试（CFD）来验证结果，尤其是在 AI 不确定的时候；它并不是要取代物理学，而是让过程变得更聪明、更安全。

底线
在这些模拟和测试中，团队展示了通过将用于塑造汽车的“智能规则”与懂得何时寻求帮助的“专家组”AI 相结合，你可以更可靠地设计出更快的汽车。他们在无需额外检查的情况下，分别为面包车实现了 10.52% 和轿车 4.17% 的减阻，并在经过快速安全检查后，使 SUV 的减阻达到了 7.96%。这是一种让高科技设计不再是赌博，而是一场充满信心的、受引导的旅程的方法。