From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates
本文通过对基于 381 个水翼计算流体力学（CFD）模拟训练的四种神经代理架构（CNN-U-Net、PINN、FNO 和 DeepONet）进行基准测试，证明了虽然 DeepONet 在场和力精度方面表现最高，且 PINN 提供了最快的推理速度，但所有模型相比于 OpenFOAM 都能显著加速水翼优化，尽管仅凭场精度并不能保证获得最优设计结果。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
设计水翼（即将船只抬离水面的翼状结构，以减少阻力）是一场无止境的试错游戏。为了找到完美的形状，工程师必须测试数千种变化，改变水翼的曲线、厚度和角度。对于每一种新形状，他们都必须运行复杂的计算机模拟，来求解水流绕过物体的物理过程。这些模拟极其精确，但也极其缓慢；在强大的计算机上运行单次测试可能需要数小时。因此，探索所有可能的各种设计往往过于昂ous且耗时。近年来，科学家们尝试通过训练人工智能来充当捷径，从而加速这一过程。人工智能模型不再每次都从头开始求解物理方程，而是通过学习以往见过的模式，来预测水流和产生的力量。人们希望这些“神经代理模型”能在几秒钟内而非数小时内找到最佳设计。
然而，由独立研究员阿拉夫·迪克西特（Aarav Dixit）发表的一项新研究揭示了我们目前评判这些人工智能捷径方式的一个关键缺陷。多年来，判断哪个人工智能模型最好的标准做法是检查其预测的水压与低速、高保真计算机模拟之间的匹配程度。如果人工智能准确地描绘了压力图，它就被视为成功。但该论文指出，准确描绘压力图并不一定意味着人工智能能帮助工程师找到最好的船翼。衡量一个设计工具的标准不仅在于它模仿地图的效果如何，而在于它是否能引导出与这种缓慢、可靠的方法相同的获胜设计。为了验证这一点，研究人员在四种不同类型的人工智能模型之间进行了一场严格的正面交锋，迫使它们解决同一个设计问题，然后用全新的高精度模拟来检查它们的最终答案。
这项研究聚焦于一组基于已知NACA剖面（由描述其曲线和厚度的简单数字定义）的标准形状的水翼。研究人员生成了一个包含381个详细计算机模拟的数据库，模拟了不同速度和角度下水流流经这些水翼的过程。基于这些数据，研究人员训练了四个不同家族的神经网络来预测流体流动以及升力和阻力的作用力。第一种类型是卷积神经网络，它像人类眼睛扫描地图一样寻找流场中的局部模式。第二种是傅里叶神经算子，它通过将流场分解为全局波来分析流动。第三种是深度算子网络，它将形状的描述与流动条件的描述分离开来。第四种是物理信息神经网络，它受到流体运动基本定律的约束，迫使它即使在进行猜测时也要遵循物理规则。
训练完成后，这些模型不仅仅被要求预测单个案例，还被赋予了寻找最佳水翼形状的任务。每个模型都被给予了相同的起点，并被严格限制在四十次尝试内来改进设计。目标是最大化升阻比，本质上是让船只在消耗更少能量的情况下跑得更快。至关重要的是，优化循环完全在人工智能预测上运行；在搜索过程中，那台缓慢的高保真计算机被排除在外，以观察人工智能在作为唯一工具时的表现。在人工智能选出其最佳设计后，研究人员对该特定形状运行了一次全新的高精度模拟，以查看真实的物理情况。最后，这一结果被拿来与使用该缓慢计算机进行优化的基准进行对比，后者为理想的最佳答案提供了金标准。
结果显示，预测精度与实用性之间存在令人惊讶的脱节。在原始预测误差方面，一种模型——深度算子网络——是明显的赢家。它在处理未见的测试案例时，对压力、升力和阻力的预测精度最高，紧随其后的是物理信息网络。物理信息模型也是速度最快的，提供了约665倍于传统模拟的速度提升。然而，当这些模型被用于实际设计新水翼时，情况发生了变化。深度算子网络和物理信息网络都找到了表现极佳的设计，实现了36到37之间的升阻比。相比之下，寻找局部模式的模型表现挣扎，找到了效率低得多的设计。而分析全局波的模型虽然表现稳定，但始终选择那些不如其他模型优秀的设计。
或许最重要的发现是，这些人工智能模型的性能并不一致。当研究人员使用略微不同的初始条件多次运行相同的优化过程时，最终的设计各不相同。深度算子网络和物理信息网络会根据运行情况产生不同的获胜者，而局部模式模型在预测和设计选择上都表现得不稳定。此外，研究还强调了验证过程本身的一个隐藏局限性。即使人工智能找到了一个很棒的设计，使用高精度模拟进行的最终检查也表明，结果对计算机网格的分辨率非常敏感。阻力尤其明显，当模拟网格变得更细时，阻力变化了高达26%，这表明甚至用于验证人工智能的“真相”本身也存在不确定性。
这项工作证明，从好的预测到好的设计并非坦途。一个模型可以非常擅长猜测机翼上的每个点位的压力，但仍可能无法引导工程师找到最优形状。研究结论指出，科学机器学习领域需要超越简单的误差指标。为了真正弥合人工智能与工程学之间的鸿沟，必须根据它们所产生设计的质量以及这些设计在不同条件下的稳健性来进行评估。最好的人工智能不一定是那个能画出最精确地图的模型，而是那个能可靠地引导你到达最佳目的地的模型。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。