预训练气动代理模型换车型就退化:GeoReplay在80种设置中77种压回源域误差
核心概要
车辆外气动神经代理模型通常只在单一车型数据集上训练和评估,换到新车型时微调往往不如从头训练,还会破坏源域精度。GeoReplay在适配时按几何相似度重放源仿真,并且只在源梯度与目标梯度方向一致时采纳它。在五个DrivAerML预训练代理、四个独立目标数据集和多个预算共80种设置中,它把微调的源域压力误差在77种设置里降下来,同时目标精度与普通微调相当。
深度剖析
预训练气动代理模型换到新车型后,普通微调并不稳定地优于从头训练,而且会明显抬高它在原车型数据集上的误差。 此前多数汽车代理模型在同一车辆数据集内训练和评估,跨独立CFD数据集的迁移行为没有被系统测量;微调后源域误差从零样本水平大幅上升,例如Transolver适配到DrivAerNet++时源域误差由0.042升到0.350。 在压力与壁面剪切的40组对比中,微调只有17组优于从头训练、23组更差;在80种代理、目标数据集与预算组合中,GeoReplay把微调的DrivAerML压力误差在77种设置里降低,中位目标误差与微调相差很小。
适配时保留源域仿真作为回放数据,可以同时守住目标精度和源域精度。 普通经验回放按均匀权重重放源仿真,几何加权只按相似度选源仿真,梯度对齐只保留与目标梯度同向的源更新;单独使用任一部分都会在部分目标上抬高目标误差。 在Transolver与GeoTransolver的组件消融中,均匀权重的普通回放把DrivAerML误差降低约3.6到4.9倍,但普通更新与均匀权重的对齐更新都在SHIFT-SUV上抬高目标误差;只有几何加权与梯度对齐合用,目标误差才在每个目标数据集上都保持在微调的10%以内。
启示与展望
结论建立在DrivAerML预训练的五个表面代理模型和DrivAerNet++、SHIFT-SUV、AhmedML、WindsorML四个目标数据集上,误差为压力与壁面剪切的相对误差,并在目标训练仿真数为10时给出主对比。
三个随机种子的方差只在目标训练仿真数为10、每个目标单一划分上测量,其他预算下的小差异需要谨慎解读;几何度量没有涵盖CFD求解器、湍流模型、工况、网格和标签差异,这些因素可能影响迁移。
