Generative Design of Ship Propellers using Conditional Flow Matching
作者: Patrick Kruger, Rafael Diaz, Simon Hauschulz, Stefan Harries, Hanno Gottschalk
分类: cs.LG
发布日期: 2026-01-29
备注: 19 pages, 13 figures, 3 tables
💡 一句话要点
利用条件流匹配生成式设计船用螺旋桨
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 生成式设计 船用螺旋桨 条件流匹配 涡格法 数据增强 伪标签 人工智能
📋 核心要点
- 传统螺旋桨设计依赖正向模型，难以直接生成满足特定性能指标的设计方案，探索反向设计方法是关键。
- 论文采用条件流匹配，构建设计参数与噪声间的双向映射，以性能指标为条件，实现螺旋桨的生成式设计。
- 通过涡格法生成数据，并利用伪标签进行数据增强，实验展示了生成多种高性能螺旋桨设计的潜力。
📝 摘要（中文）
本文探讨了生成式人工智能（GenAI）在船用螺旋桨设计中的应用。传统的正向机器学习模型基于给定的设计参数预测机械部件的性能，而GenAI模型旨在生成满足特定性能目标的设计。具体而言，我们采用条件流匹配来建立设计参数和模拟噪声之间的双向映射，该映射以性能标签为条件。这种方法通过对噪声向量进行采样，能够生成对应于相同性能目标的多个有效设计。为了支持模型训练，我们使用涡格法进行数值模拟来生成数据，并分析模型精度和可用数据量之间的权衡。我们进一步提出了使用从数据密集度较低的正向代理模型导出的伪标签进行数据增强，这通常可以提高整体模型性能。最后，我们展示了具有几乎相同性能特征的不同螺旋桨几何形状的示例，说明了GenAI在工程设计中的多功能性和潜力。
🔬 方法详解
问题定义：论文旨在解决船用螺旋桨设计问题，即如何根据给定的性能指标（例如推力、扭矩）自动生成满足要求的螺旋桨几何形状。传统方法通常是正向的，即给定螺旋桨的几何参数，预测其性能。这种方法难以直接反过来，根据性能指标生成设计方案，需要大量迭代优化。现有方法计算成本高昂，且难以探索设计空间的多样性。
核心思路：论文的核心思路是利用生成式人工智能（GenAI），特别是条件流匹配（Conditional Flow Matching, CFM），来建立设计参数和性能指标之间的映射关系。CFM 能够学习一个连续的向量场，将噪声分布平滑地转换为目标分布（即满足特定性能指标的设计参数分布）。通过对噪声进行采样，可以生成多个满足相同性能指标的不同设计方案，从而实现螺旋桨的生成式设计。
技术框架：整体框架包含以下几个主要阶段：1) 数据生成：使用涡格法（Vortex Lattice Method, VLM）进行数值模拟，生成螺旋桨几何参数及其对应的性能数据。2) 模型训练：使用条件流匹配算法训练生成模型，该模型以性能指标为条件，学习从噪声到设计参数的映射。3) 数据增强：利用数据密集度较低的正向代理模型生成伪标签，用于增强训练数据，提高模型性能。4) 设计生成：通过对噪声向量进行采样，并使用训练好的生成模型，生成满足特定性能指标的螺旋桨设计方案。
关键创新：最重要的技术创新点在于将条件流匹配应用于船用螺旋桨的生成式设计。与传统的生成对抗网络（GANs）或变分自编码器（VAEs）相比，CFM 具有训练更稳定、生成质量更高的优点。此外，利用伪标签进行数据增强也是一个重要的创新点，可以有效提高模型在数据量有限情况下的性能。
关键设计：论文中，条件流匹配模型的具体网络结构未知，但通常会采用神经网络来近似向量场。损失函数是 CFM 的关键，它旨在最小化预测的向量场与真实向量场之间的差异。数据增强策略中，正向代理模型的选择和伪标签的生成方式会影响最终的模型性能。此外，噪声向量的采样策略也会影响生成设计的质量和多样性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够生成具有几乎相同性能特征的不同螺旋桨几何形状，验证了GenAI在工程设计中的多功能性和潜力。通过数据增强，模型性能得到进一步提升，表明该方法在数据量有限的情况下依然有效。具体的性能数据和对比基线未知。
🎯 应用场景
该研究成果可应用于船舶工程领域，实现螺旋桨的快速设计与优化。通过输入期望的性能指标，即可自动生成多种满足要求的螺旋桨设计方案，大大缩短设计周期，降低设计成本。此外，该方法还可以用于探索新的螺旋桨设计空间，发现传统方法难以找到的创新设计。
📄 摘要（原文）
In this paper, we explore the use of generative artificial intelligence (GenAI) for ship propeller design. While traditional forward machine learning models predict the performance of mechanical components based on given design parameters, GenAI models aim to generate designs that achieve specified performance targets. In particular, we employ conditional flow matching to establish a bidirectional mapping between design parameters and simulated noise that is conditioned on performance labels. This approach enables the generation of multiple valid designs corresponding to the same performance targets by sampling over the noise vector. To support model training, we generate data using a vortex lattice method for numerical simulation and analyze the trade-off between model accuracy and the amount of available data. We further propose data augmentation using pseudo-labels derived from less data-intensive forward surrogate models, which can often improve overall model performance. Finally, we present examples of distinct propeller geometries that exhibit nearly identical performance characteristics, illustrating the versatility and potential of GenAI in engineering design.