Οι Εκδότες του Physics of Fluids (American Institute of Physics) αναγνώρισαν την επιστημονική αριστεία μελέτης υπό την καθοδήγηση του Καθηγητή Δημήτρη Δρικάκη και της ομάδας του στο Πανεπιστήμιο Λευκωσίας, σε συνεργασία με ερευνητές του U.S. Air Force Research Laboratory (AFRL), Wright-Patterson AFB, επιλέγοντάς την ως Featured Article.
Στην επίσημη επικοινωνία του, το περιοδικό ανέφερε: «Συγχαρητήρια για το άρθρο σας στο Physics of Fluids! Οι Εκδότες θεώρησαν ότι το άρθρο σας συγκαταλέγεται στα καλύτερα άρθρα του περιοδικού και επέλεξαν να το προωθήσουν ως Featured Article.»
Το άρθρο με τίτλο «Transformer-Based Reconstruction of Sparse Pressure Signals in a High-Speed Flow over a Compliant Panel» επιλέχθηκε ανάμεσα στις πλέον εξαιρετικές συνεισφορές του περιοδικού. Τα Featured Articles περιλαμβάνουν μελέτες που προωθούν σημαντικά το πεδίο της μηχανικής ρευστών και επιδεικνύουν εξαιρετική πρωτοτυπία και αντίκτυπο.
Καινοτομία Τεχνητής Νοημοσύνης (ΤΝ) ενσωματωμένη με προηγμένες προσομοιώσεις υψηλής πιστότητας
Η μελέτη αποτελεί παράδειγμα ενός νέου προτύπου στην αεροδιαστημική επιστήμη: της ενσωμάτωσης προηγμένων προσομοιώσεων Υπολογιστικής Ρευστοδυναμικής (CFD) με ΤΝ. Οι αλληλεπιδράσεις κρουστικών κυμάτων–οριακού στρώματος πάνω από εύκαμπτες αεροδιαστημικές επιφάνειες παράγουν πολύπλοκες ευρυζωνικές διακυμάνσεις πίεσης, οι οποίες είναι δαπανηρές και δύσκολες στη μέτρηση. Τα αραιά δεδομένα αισθητήρων συχνά περιορίζουν την ακριβή διάγνωση σε υπερηχητικά και υψηλής ταχύτητας περιβάλλοντα ροής.
Ο Καθηγητής Δρικάκης και η ομάδα του ανέπτυξαν ένα νέο πλαίσιο μάθησης ΤΝ βασισμένο σε Transformers, ικανό να ανακατασκευάζει τα ελλείποντα σήματα πίεσης με εντυπωσιακή ακρίβεια, ακόμη και όταν διατηρείται μόνο ένα μικρό ποσοστό των αρχικών δεδομένων. Σε ακραία επίπεδα αραιότητας, το μοντέλο μειώνει το σφάλμα ανακατασκευής έως και κατά 20–25% σε σύγκριση με τις κλασικές μεθόδους παρεμβολής.
Η καινοτομία δεν έγκειται απλώς στην εφαρμογή της ΤΝ, αλλά και στην ενσωμάτωσή της σε ένα πλαίσιο ανακατασκευής καθοδηγούμενο από τη φυσική, το οποίο βασίζεται σε υψηλής ακρίβειας μεθόδους Υπολογιστικής Ρευστοδυναμικής για τη δημιουργία ακριβών δεδομένων τυρβώδους ροής, ενώ η αρχιτεκτονική Transformer μαθαίνει μη-τοπικές χρονικές διορθώσεις που διατηρούν τις τυρβώδεις δομές και τη δυναμική που προκαλείται από τα κρουστικά κύματα.
Σε αντίθεση με την παραδοσιακή παρεμβολή, η οποία υπερ-εξομαλύνει τα σήματα και καταστέλλει το περιεχόμενο υψηλών συχνοτήτων, ο Transformer διατηρεί την ευρείας ζώνης φασματική ενέργεια, ένα ουσιώδες χαρακτηριστικό για την πρόβλεψη δομικής κόπωσης, αεροελαστικής απόκρισης, αεροακουστικών φορτίων και της απόδοσης οχημάτων υψηλής ταχύτητας.
Στρατηγικός αντίκτυπος στην εποχή της ΤΝ
Το έργο αυτό αντανακλά μια ισχυρή και συνεχώς αναπτυσσόμενη επιστημονική συνεργασία μεταξύ του Πανεπιστημίου Λευκωσίας και του U.S. Air Force Research Laboratory, με υποστήριξη από το Air Force Office of Scientific Research (AFOSR). Συνδυάζοντας προηγμένες αριθμητικές προσομοιώσεις και αρχιτεκτονικές ΤΝ βασισμένες σε transformers, ο Καθηγητής Δρικάκης και οι συνεργάτες του συμβάλλουν άμεσα σε μεθοδολογίες επόμενης γενιάς για διαγνωστική ροή με αραιούς αισθητήρες, μοντελοποίηση τυρβώδους ροής ενισχυμένη με ΤΝ, ενίσχυση μέσω δεδομένων των δοκιμών αεροδυναμικής σε υψηλές ταχύτητες, καθώς και στρατηγικές προσομοίωσης πολλαπλών επιπέδων πιστότητας για αεροδιαστημικά και αμυντικά συστήματα.
Στην εποχή της ΤΝ, η έρευνα αυτή δείχνει πώς η μηχανική μάθηση μπορεί να προχωρήσει πέρα από την απλή προσαρμογή στα δεδομένα και να εξελιχθεί σε ένα εργαλείο με φυσική τεκμηρίωση, που ενισχύει τη δυνατότητα προσομοίωσης, μειώνει τους πειραματικούς περιορισμούς και επιταχύνει την τεχνολογική καινοτομία.
