[論文レビュー] Diffusion Model Driven Airfoil Design: From Geometry Encoding to Practical Applications

Yingfan Geng, Jinhong Wang+1 more|arXiv (Cornell University)|Jan 20, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は、EDMフレームワークを用いて3つの幾何表現（PCA、順序座標、SDF）に対する2D翼型逆設計の拡散モデルを系統的に評価し、実用展開の示唆を得ながら広い流れ条件下での単一/複数ターゲット設計を実証する。

ABSTRACT

Diffusion model, the state-of-the-art generative machine learning architecture, has shown promising results airfoil inverse designs. In this study, we implemented and trained a series of diffusion models on three different airfoil geometry data encoding formats -- principal component weights, ordered $x$-$y$ coordinates, and 2D signed distance functions (SDF) -- to generate 2D airfoils. By systematically comparing the performance of diffusion models trained on different data structures, it is found that for 2D airfoil design problems, the diffusion model performs the best when directly trained with coordinates. Training with latent space (PCA weights in this study) limits the model's design freedom, and decreases the training effectiveness. Although the 2D SDF data appears to result in the least performing model, it proves its feasibility in aerodynamic shape generation, paving the way towards 3D problems where SDF is more favored. This study also investigated deploying the diffusion model in practical engineering applications. A multi-target optimization procedure is proposed based on the stochastic nature of the diffusion process, which drastically simplifies the procedure compared to conventional methods. The extrapolation performance of the model is also investigated by tasking the model with both aerodynamic and flow condition labels that are extrapolated beyond the training set boundaries.

研究の動機と目的

• 伝統的なパラメータ化を超えた設計空間を拡張するために拡散ベースの逆設計を推進する。
• 2D翼型の設計における拡散モデル性能に対する幾何学的表現の違いを比較する。
• Ma、Re、AOA条件付けと空力ターゲットC_L、C_Dを含む条件付き拡散フレームワークを開発・検証する。
• 実世界の運用制約の下で単一ターゲットおよび複数ターゲット設計ワークフローの実用展開を評価する。

提案手法

• 3つの明示的幾何表現（PCA、順序座標、SDF）を、EDMバックボーンを用いた拡散モデルで評価する。
• Ma、Re、AOAと空力ターゲットC_L、C_Dを含む入力で条件付き拡散モデルを学習する。
• EDMフレームワーク内のノイズスケジューリングにインスパイアされた拡散サンプリング手順とResNetブロックを備えたU-Netをデノイザーとして使用する。
• 生成の実現性を評価し、ターゲットに対するRMSEを算出し、非収束CFD（XFOIL）結果に対する設計試行の効率と頑健性を定量化する。

実験結果

リサーチクエスチョン

• RQ1 PCA、順序座標、SDF表現は、精度と頑健性の点で拡散ベースの2D翼型生成においてどのように比較されるか。
• RQ2 Ma、Re、AOA、C_L、C_Dを条件付けた拡散モデルは、指定許容範囲内で実現可能な翼型をターゲットに合わせて生成できるか。
• RQ3 表現の選択が、単一目標 vs 複数の空力目的を狙う際の試行回数と実現性に与える影響はどのようか。

主な発見

データ形式	C_L RMSE	C_D RMSE	平均試行回数	非実現設計
PCA	3.1%	8%	61	0.13%
Coordinates	0.15%	7.5%	56	0%
SDF	2.9%	10%	78	0.67%

• 直接座標拡散は、単一ターゲット生成において、PCAの潜在空間拡散およびSDFに対して主要指標で優れている。
• 3つの表現はいずれも、拡散の確率過程により滑らかで実現可能な翼型形状と多様な設計を生み出す。
• PCAベースの拡散はC_Lで3.1% RMSE、C_Dで8% RMSEを達成し、平均61試行で0.13%の非実現設計。座標表現は0.15%と7.5%で、56試行、0%の非実現。SDFは0.67%の非実現で78試行、C_L2.9%、C_D10%を達成。
• ワークフローは、単一ターゲット設計を繰り返し生成・フィルタリングすることで複数ターゲット設計をサポートし、スタル角度などの二次目的を満たすよう設計探索を効率化できる。
• このアプローチは、広い作動条件下での頑健性と実現可能性を示し、表現、精度、設計実現性のトレードオフを強調する。