Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Геометрию объекта научились кодировать один раз, а затем использовать это представление для разных условий и физических задач. В препринте Nitin Nagesh Kulkarni, Aashwin Anand Mishra, Yin Yu и Peter Lyu, который не проходил рецензирование и опирается на замеры самих авторов, перенос на расчёт деформации потребовал в 4,1 раза меньше обучаемых параметров. Такой подход может сократить переобучение инженерных суррогатных моделей при смене режима или рассчитываемой величины.
Геометрия не получает ни режим работы, ни физическое поле
Обычная суррогатная модель принимает геометрию и условия расчёта, а затем сразу предсказывает давление, сопротивление или другое поле. Её внутреннее представление может смешать форму объекта, скорость потока и целевую величину. При переходе, например, от аэродинамического давления к механической деформации полезность такого представления заранее не гарантирована.
D-JEPA разделяет эти части архитектурно. Кодировщик получает облако точек поверхности и нормали к ней и создаёт скрытое представление размерностью 128. Условия работы, включая число Маха или нагрузку, поступают только в следующий блок — физический декодер, который переводит общую запись геометрии в конкретное поле.
Кодировщик сочетает локальные признаки поверхности с общими размерами, ориентацией и статистиками отдельных пространственных областей. Во время обучения дополнительная функция потерь требует, чтобы из скрытого представления можно было восстановить исходные параметры конструкции. Эти параметры не передаются физическому декодеру, но служат разметкой для кодировщика.
Это существенная особенность метода: представление геометрии не возникает полностью без учителя. Команде нужны явные параметры конструкции, если она хочет воспроизвести обучение D-JEPA, а не только воспользоваться уже обученным кодировщиком.
Авторы также обнаружили скрытый сбой. Модель могла хорошо восстанавливать физическое поле, хотя её представления почти не различались между объектами: разброс между случаями составлял около 0,0032. Ограничения на межобъектное разнообразие и дополнительное восстановление целевого поля подняли его примерно до 1,0 и не дали кодировщику свести разные геометрии к почти одной записи.
Одно представление выдержало смену режима и физики
Для полей давления коэффициент детерминации R² находился в диапазоне от 0,9937 до 0,9971 на аэродинамических наборах. Эта метрика показывает, какую долю изменчивости эталонных значений объясняет модель: чем результат ближе к единице, тем точнее совпадение. D-JEPA также сохранила или улучшила результаты по сравнению с AeroJEPA, GeoTransolver и DoMINO для проверенных полей и интегральных величин.
На крыльях один замороженный кодировщик работал при обучающих и отложенных значениях числа Маха. Во всех режимах R² для давления оставался не ниже 0,9902. Отложенные режимы лежали внутри обученного диапазона, поэтому опыт показывает интерполяцию между известными условиями, а не перенос в принципиально новый режим потока.
Более показателен перенос между физическими задачами. Кодировщик, обученный на аэродинамическом давлении, заморозили и подключили к новому декодеру структурных перемещений AutoHood 3D. После десяти эпох перенесённая модель достигла R² 0,3316, тогда как обучение всей системы с нуля дало 0,0396; при большем бюджете разрыв сократился, но перенесённая версия сохранила небольшое преимущество.
Скрытое представление использовали и для оптимизации формы по градиенту. Отобранные конструкции затем пересчитали с помощью высокоточного CFD. Абсолютные прогнозы отличались от расчёта, однако модель сохранила порядок всех проверенных кандидатов по сопротивлению подводного корпуса и подъёмной силе крыла, включая вариант за пределами основной области поиска.
Когда D-JEPA меняет план разработки суррогатной модели
Подход имеет смысл, если одна и та же параметризованная геометрия участвует в нескольких расчётах: при разных режимах потока, для разных выходных полей или в связке аэродинамики и прочности. Вместо отдельных полных моделей команда может один раз обучить дорогой геометрический кодировщик, зафиксировать его и добавлять меньшие декодеры под новые задачи.
Архитектура также полезна, когда скрытое представление должно поддерживать оптимизацию конструкции. Явное восстановление проектных параметров оставляет путь от физической цели обратно к переменным формы, а не превращает кодировщик в непрозрачное сжатие, пригодное только для одного прогноза.
Проверка охватывает четыре трёхмерных набора с крыльями, подводными корпусами, автомобилями и капотами. Они включают аэродинамику, гидродинамику и структурный отклик, но перенос между разными видами физики показан только на переходе от давления к деформации AutoHood 3D. Поэтому работа даёт основание изменить архитектуру исследовательского прототипа, но не доказывает, что один кодировщик без доработки покроет произвольные геометрии и связанные физические процессы.
Для продукта практический критерий прост: стоимость общего кодировщика должна окупаться несколькими режимами или декодерами. Если система решает одну неизменную задачу, D-JEPA добавляет цели обучения и контроль коллапса представлений, но её главное преимущество — повторное использование — остаётся невостребованным.
Источники
Иллюстрация: рисунок из статьи «D-JEPA: Design-Recoverable JEPA Representation with Swappable Physics Decoders», Nitin Nagesh Kulkarni, Aashwin Anand Mishra, Yin Yu и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
