Аэродинамика авто: 8000 3D CFD-симуляций определили сильнейшие нейросети для дизайна машин
Аннотация Бенчмаркинг стал краеугольным камнем прогресса в области компьютерного зрения, обработки естественного языка и более широкой области глубокого обучения, стимулируя инновации в алгоритмах посредством стандартизированных наборов данных и воспроизводимых протоколов оценки. Растущая доступность крупномасштабных наборов данных вычислительной гидродинамики (CFD) открыла новые возможности для применения машинного обучения в аэродинамическом и инженерном проектировании. Тем не менее, несмотря на этот прогресс, крупномасштабные стандартизированные тесты по-прежнему ограничены для трехмерной автомобильной аэродинамики с высоким разрешением, что затрудняет систематическую оценку и сравнение моделей. В этой работе мы представляем CarBench, крупномасштабный стандартизированный тест, посвященный трехмерной автомобильной аэродинамике с высоким разрешением, и проводим крупномасштабную оценку современных моделей в DrivAerNet++, крупнейшем общедоступном наборе данных по автомобильной аэродинамике, содержащем более 8000 высокоточных моделей автомобилей. Мы оцениваем одиннадцать репрезентативных конфигураций моделей, охватывающих несколько парадигм моделирования: классические методы нейронных операторов (например, нейронный оператор Фурье), геометрические подходы глубокого обучения (PointNet, RegDGCNN, PointMAE, PointTransformer), нейронные решатели на основе трансформаторов (Transolver, Transolver++, AB-UPT) и сети неявных полей, использующие триплоскостные представления (TripNet). Помимо стандартных задач интерполяции, мы проводим межкатегорные эксперименты, в которых репрезентативные решатели на основе трансформаторов, обученные на одном архетипе автомобиля, оцениваются по невидимым категориям для проверки обобщения. Наш анализ охватывает точность прогнозирования, точность поля давления относительно эталонного CFD, вычислительную эффективность и статистическую неопределенность в показателях оценки, обеспечивая унифицированное сравнение между семействами моделей и количественную оценку надежности оценок производительности при изменениях в распределениях геометрии испытаний. Чтобы ускорить прогресс в области проектирования, основанного на данных, мы открываем исходный код полной системы тестирования, включая конвейеры обучения, процедуры оценки неопределенности на уровне метрики, основанные на начальной начальной выборке, и предварительно обученные веса моделей, создавая воспроизводимую основу для крупномасштабного обучения на основе высокоточного внешнего моделиро
## В чем суть открытия Как нейронные суррогаты искусственного интеллекта могут заменить многодневное высокоточное 3D-моделирование автомобилей CFD, сохраняя при этом точность? ## Как это устроено: принцип работы Растущая доступность крупномасштабных наборов данных вычислительной гидродинамики (CFD) открыла новые возможности для применения машинного обучения в аэродинамическом и инженерном проектировании. Тем не менее, несмотря на этот прогресс, крупномасштабные стандартизированные тесты по-прежнему ограничены для трехмерной автомобильной аэродинамики с высоким разрешением, что затрудняет систематическую оценку и сравнение моделей. ## Что это меняет на практике Ускоряет циклы проектирования автомобилей, обеспечивая мгновенный и надежный аэродинамический скрининг трехмерной геометрии автомобиля, сокращая затраты на вычисления CFD и время итерации в аэродинамической трубе. ## Границы метода и риски Оценки ограничены распределением геометрии в DrivAerNet++, а обобщение между категориями показывает падение производительности при переносе решателей между различными архетипами автомобилей. ## Результаты и доказательства - **Комплексный скор значимости:** 9.6 / 10.0 - **Уровень доказательности:** Теоретическое обоснование - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)