面向外部气动学的混合专家门控网络以提升替代模型

高保真 CFD（湍流流体动力学）仿真在汽车设计和优化周期中仍然是一个重大的瓶颈。虽然基于机器学习的替代模型（surrogate models）作为加速气动预测的有前景的替代方案，然而该领域以多样且快速演变的专用神经网络结构为特征，尚无单一模型显示出普遍优越性。本文引入一种新型的元学习框架，利用这种架构多样性作为优势。我们提出一种混合专家（Mixture of Experts, MoE）模型，采用专用门控网络动态且最优地组合来自三种异构、最先进的替代模型的预测：DoMINO，一种可分解的多尺度神经算子；X-MeshGraphNet，一种可扩展的多尺度图神经网络；以及 FigConvNet，一种因式分解的隐式全局卷积网络。门控网络学习一种空间变异的加权策略，根据每个专家在预测表面压力和壁面剪切应力场的局部性能为其分配可信度。为防止模型崩溃并鼓励专家的平衡贡献，我们将熵正则化项整合到训练损失函数中。整个系统在 DrivAerML 数据集上进行训练和验证，该数据集是汽车气动学的大规模、公共基准的高保真 CFD 仿真集合。定量结果表明，MoE 模型在 L-2 预测误差方面实现了显著的减少，不仅超过了 ensemble 平均值，而且在所有评估的物理量上都优于最准确的单个专家模型。这一工作确立了 MoE 框架作为创建更稳健和准确复合替代模型的强大且有效的策略，通过协同组合专用架构的互补优势。