AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling
Francisco Giral, Abhijeet Vishwasrao, Andrea Arroyo Ramo, Mahmoud Golestanian, Federica Tonti, Adrian Lozano-Duran, Steven L. Brunton, Sergio Hoyas, Hector Gomez, Soledad Le Clainche, Ricardo Vinuesa
cs.LG
2026-05-07
AeroJEPA 从几何潜变量预测流场潜变量，HiLift 千万点场不必切块，压力相对误差 0.0048、推理 57 TFLOPs；升阻力可被线性探针读出，R² 为 0.930 和 0.996。
气动设计是多查询场景：同一组几何和工况要反复算高维流场。高保真 CFD 仍然是金标准，但直接拿来做优化和大规模筛选太贵。神经代理模型已经能预测流场，卡在两件事上。一是真实三维气动场极大，HiLiftAeroML 的附面层大约 1500 万个表面点、5000 万个体点，按固定网格一次吐出全场，现有点式模型吃不下。二是就算预测准，潜变量也很少对设计有用：它们拟合场，并不按几何、工况或升阻力组织。
AeroJEPA 把 Joint-Embedding Predictive Architecture 接到气动代理上。网络不直接从几何回归全场，而是从几何加工况的上下文潜变量，去预测流场的目标潜变量，再用连续隐式解码器按需还原任意查询点。预测成本和场分辨率解耦，潜空间也被逼着长出可分析的结构。
几何先丢掉网格连接，变成点云，最远点采样压到可训练的规模：HiLift 约 13.1 万点，SuperWing 约 8192 点。上下文编码器把几何编成固定数量的 token（HiLift 3072×64，SuperWing 512×128），做法是学一组中心、邻域消息传递，再过 point-transformer。训练时另有目标编码器，对流场点云做同样的事，得到要对齐的目标 token。预测器吃上下文 token 和工况向量（迎角、雷诺数、马赫数），输出预测的流场 token。推理时丢掉目标编码器。
解码器是隐式神经表示：拿预测 token 和空间坐标（体积设定下还加符号距离），输出该点的速度和压力。训练查询点独立于编码点，相当于掩码监督，逼潜变量编码连续场而不是某一次采样。损失三项：潜变量 L2 对齐、解码重建、SIGReg。SIGReg 把潜分布的随机低维投影拉向各向同性高斯，用来防止表征塌缩，替代 JEPA 里常见的 EMA teacher 和 stop-gradient。三项权重 1.0 / 1.0 / 0.01。论文用的是编码器、预测器、解码器一起训的耦合设定。
HiLiftAeroML 是压力测试：205 个训练工况、50 个测试工况，每套几何 10 个迎角（4° 到 22°）。基线只能在 13.1 万点的块上训练，测试时切块拼全场。AeroJEPA 几何只编一次，再连续解码。
| 模型 | 压力 Rel L2 | 速度 u Rel L2 | 推理 TFLOPs |
| AeroJEPA | 0.0048 | 0.1445 | 57.00 |
| FigConvUNet | 0.0206 | 0.4761 | 88.34 |
| Transolver | 0.0288 | 0.6328 | 189.44 |
| GeoTransolver | 0.0289 | 0.6510 | 309.13 |
未见过的 LHC013、迎角 18° 上，速度模的 MAE / 真值最大均值误差为 1.18%。线性探针能从上下文潜变量里读出襟翼和缝翼偏角，R² 在 0.965 到 0.988；从预测潜变量读升力系数和阻力系数，R² 分别为 0.930 和 0.996。训练从未直接监督这些积分量。
SuperWing 有 4239 个参数化机翼、28856 个 RANS 解、每场约 3.2 万表面点。切块设定下 AeroJEPA 全面好于基线；一次吃下全场时，GeoTransolver 的压力 Rel L2 到 0.0309，AeroJEPA 是 0.0644，点式模型在中等分辨率上仍有优势。预测潜变量上，升力系数 R² 0.984、阻力系数 0.965。54 个设计参数里 9 个能被上下文潜变量稳定读出（交叉验证 R² ≥ 0.85）。作者在 128 维上下文潜空间里用可微探针做了升阻比优化，最优点落在数据集包络的高效前沿，再映射回最邻近的真实机翼。这是概念验证，不是完整设计管线。
对要在真实三维尺度上做气动代理的人，这篇把「场太大、一次预测装不下」和「潜空间对设计没用」放进同一个架构。HiLift 上误差和算力同时下降，说明瓶颈确实在切块，不在模型容量本身。潜空间能线性读出没当标签的几何和气动量，后续可以探针、插值、做受约束的潜空间搜索，不必每一步都解网格。
SuperWing 把边界画清楚了：分辨率还能一次装下时，Transolver 一类点式模型在纯场误差上可以打得过。AeroJEPA 的卖点是尺度不变的解码，加上可搜索的潜空间，不是每一格都第一。
作者自己划了范围：两个数据集，主要是定常流，几何和工况覆盖有限。HiLift 基线被迫切块，对照不完全公平，但切块正是它们上不了 1500 万点的原因。SuperWing 的潜空间优化有信赖域和数据集包络天花板，找回的是库里已有的高效机翼家族，没有证明能跳出训练分布。线性探针很强，不代表非线性物理都写进了潜变量。错误代理预测在标定区外会带偏设计，论文把它定位成决策支持，不是替代 CFD。