Neues 3DID-Framework ermöglicht voluminöse Aerodynamik-Optimierung

In der Aerodynamik steht die Inverse Design‑Forschung vor einer großen Herausforderung: Der 3D‑Designraum wächst exponentiell, sodass klassische Gitter‑Suche nicht mehr praktikabel ist. Durch den Einsatz von Deep‑Learning‑Modellen konnten bisher Fortschritte erzielt werden, doch die meisten Ansätze reduzieren das Problem auf 2‑D‑Projektionen oder passen vorhandene 3‑D‑Modelle an. Dadurch gehen wichtige volumetrische Details verloren und die kreative Freiheit wird eingeschränkt.

Das neue 3DID‑Framework (3D Inverse Design) löst dieses Problem, indem es den gesamten 3‑D‑Designraum direkt durch ein kontinuierliches latentes Repräsentationsmodell navigiert. Zunächst wird ein einheitliches Embedding aus physikalischen Feldern und Geometrie gelernt, das die Form und die damit verbundenen physikalischen Daten kompakt im latenten Raum abbildet.

Die Optimierung erfolgt in zwei aufeinanderfolgenden Schritten. Im ersten Schritt nutzt ein gradientsgesteuerter Diffusionssampler den gesamten latenten Raum, um globale Kandidaten zu erkunden. Im zweiten Schritt wird jeder Kandidat durch eine objektivgetriebene, topologie‑erhaltende Verfeinerung präzise an die gewünschte Zielgröße angepasst. Das Ergebnis sind hochauflösende 3‑D‑Geometrien, die sowohl in der Lösungsgüte als auch in der Gestaltungsvielfalt bestehende Methoden übertreffen.