《Aerospace Science and Technology》：A Physics-Augmented Neuro-Symbolic Framework for Interpretable Aerodynamic Optimization and Knowledge Extraction
编辑推荐：
数据驱动的气动形状优化常面临几何保真度与物理可解释性之间的矛盾。本研究提出一种面向无人机(UAV)翼型多点设计的神经符号框架。该框架将翼型表面表征为拓扑图，并将局部曲率与单位法向量等微分几何先验显式嵌入节点特征中。由此构建的物理增强图神经网络(Phys-GNN
数据驱动的气动形状优化常面临几何保真度与物理可解释性之间的矛盾。本研究提出一种面向无人机(UAV)翼型多点设计的神经符号框架。该框架将翼型表面表征为拓扑图，并将局部曲率与单位法向量等微分几何先验显式嵌入节点特征中。由此构建的物理增强图神经网络(Phys-GNN)通过多保真度迁移学习策略进行训练，其中低保真度气动数据提供广泛的几何覆盖，高保真度数据用于重新校准气动响应。相较于传统欧几里得架构，该模型缓解了网格依赖性误差并提升了气动预测精度。在该神经网络引导下，差分进化算法对Eppler 638基准翼型进行多点优化，实现了加权平均阻力系数降低5.13%。优化后的翼型进一步在高保真计算流体动力学(CFD)模拟的三维无人机构型中进行评估，总阻力降低10.18%，升阻比提升16.05%。此外，符号回归从高性能进化轨迹中提取了显式的翼型设计知识。这些解析表达式为低速翼型设计提供了理论指导，并在几何参数与气动性能之间建立了透明关联。
面向可解释气动优化的物理增强神经符号框架研究解读
研究背景与意义
低空长航时(LALE)无人机的广泛部署高度依赖先进的气动形状优化(ASO)技术以提升续航与作业效率。在概念与初步设计阶段，翼型剖面的优化至关重要，其直接决定了全机机翼的型阻与失速特性。现代无人机需在多变飞行包线内运行，这要求稳健的多点优化策略，而非易产生非设计工况性能衰退的单点设计。传统方法虽能通过耦合高保真计算流体动力学(CFD)求解器与全局启发式搜索算法获得优化构型，但数千次纳维-斯托克斯方程求解的计算成本极高，导致直接优化效率低下。基于代理模型的优化(SBO)虽成为主流，但经典方法如克里金法(Kriging)、径向基函数(RBF)和支持向量机(SVM)常受困于“维度灾难”，难以构建高度非线性气动流场的精确响应面。深度学习架构虽被引入，但纯粹的数据驱动模型缺乏物理约束，且“黑盒”特性限制了其在严谨气动设计中的应用。针对现有图神经网络(GNN)及生成式设计方法多侧重预测精度而忽视物理可解释性的现状，研究人员提出了一种融合物理增强与符号推理的神经符号框架，旨在解决物理精度与模型透明度双重挑战。
主要关键技术方法
研究人员构建了物理增强图神经网络(Phys-GNN)作为预测核心，采用多保真度迁移学习策略，利用低保真数据覆盖广阔几何空间，高保真数据校准气动响应。翼型被表征为拓扑图，节点特征显式嵌入局部曲率与单位法向量等微分几何先验。优化阶段由Phys-GNN引导差分进化算法对Eppler 638基准翼型进行多点寻优。随后，研究人员将二维优化结果扩展至三维有限翼展构型，采用雷诺平均纳维-斯托克斯(RANS)方程进行高保真验证。最后，在优化后处理阶段集成符号回归(SR)，从进化轨迹中蒸馏隐式知识为显式解析方程。
研究结果
Phys-GNN架构性能
实验表明，相较于传统欧几里得架构，嵌入微分几何先验的Phys-GNN有效缓解了网格依赖性误差。该模型显著提升了对阻力系数等敏感参数的预测精度，因其能更好地捕捉决定阻力的局部粘性流动现象，避免了因缺乏几何先验而导致的代理模型被利用（surrogate exploitation）问题，从而防止生成非物理异常气动外形。
多点优化结果
在马赫数Ma=0.3的巡航、爬升与机动等多点工况下，Phys-GNN引导的差分进化算法成功优化了Eppler 638翼型。优化结果显示，加权平均阻力系数降低了5.13%。这表明物理增强策略有效引导了进化算法沿正确的物理梯度方向搜索。
三维工程验证
为了验证二维优化成果的工程适用性，研究人员将优化翼型应用于三维无人机全机配置。高保真RANS模拟证实，几何修正在三维环境下转化为实际气动收益：全机总阻力降低10.18%，升阻比提升16.05%，验证了该框架在真实三维环境中的有效性。
符号知识提取
研究人员利用符号回归挖掘高性能进化轨迹，成功从神经网络复杂的隐式映射中提取出连接几何参数与气动性能的显式解析表达式。这些公式揭示了翼型设计背后的物理规律，为低速翼型设计提供了透明的理论指导，填补了从数值优化到物理机制理解的鸿沟。
结论与讨论
本研究针对数据驱动气动优化中几何保真度与模型可解释性的双重难题，建立了一套拓扑感知的物理增强神经符号框架。研究人员通过融合图神经网络的空间表征能力与符号回归的分析推理能力，确立了几何感知的新标准。Phys-GNN通过嵌入微分几何先验，显著提升了敏感气动参数预测的鲁棒性。该框架不仅在二维翼型多点优化中取得了显著的减阻效果，并通过三维RANS验证证实了其对全机升阻比的实质性提升。更重要的是，通过引入符号回归，研究成功将“黑盒”优化的数值结果转化为透明的物理定律，为气动设计提供了可解释的理论依据。这一工作不仅推动了可解释人工智能在航空航天工程中的应用，也为复杂物理系统的知识发现提供了新的范式。该研究发表于《Aerospace Science and Technology》。
