当前位置：首页 > news >正文

《TAML》好文推荐 | 来自清华大学张宇飞团队最新研究成果基于文本生成翼型：FoilCLIP,一种语言驱动的气动设计新框架

news 2026/5/11 14:36:41

以下内容转载自“TAML力学快报英文”，仅作分享

原文链接：

传统翼型设计依赖于CFD和风洞试验的迭代过程，需要大量的领域知识和时间成本。近年来，研究人员尝试应用机器学习加速设计流程，例如采用VAE等生成模型直接生成新翼型。然而，这些方法大多依赖数值或抽象的隐变量作为输入，未能有效连接工程师使用自然语言表达的设计意图（如“一款适用于跨声速运输机的大厚度后加载翼型”）与参数化的几何模型，存在人机交互鸿沟。受近期跨模态模型CLIP、DALL-E2成功的启发，本研究提出了一个连接自然语言和翼型参数化几何的端到端双向映射框架FoilCLIP。该框架通过对比学习方法，建立了文本描述与翼型几何的双向映射，为实现直观高效的语言驱动式气动设计探索了新的可能。

研究亮点

提出了一种语言驱动的翼型设计框架FoilCLIP，该框架基于VAE-LLM数据增强策略与多尺度对比学习方法，将自然语言描述与翼型CST参数在统一的隐空间内对齐，建立了二者的双向映射关系，使其既能够基于给定文本标签准确分类翼型，又能根据文本描述生成合理翼型几何，为降低设计门槛、促进人机协同提供了新途径。

研究进展

为解决FoilCLIP框架训练所需的大规模数据与现有翼型库体量小、标注稀疏的矛盾，本研究提出一种VAE-LLM数据增强策略。该策略利用VAE生成保留核心特征的几何变体（图1），并借助LLM结合气动数据将原始简短标签扩充为信息详尽的多尺度文本描述（图2），成功构建了包含超过15万样本对的数据集。

不同于主流模型处理图像模态，FoilCLIP直接将文本与翼型的CST参数进行对齐，精确保留几何信息的同时大幅降低计算需求。框架进一步引入采用长短双文本路径对齐与自适应软对比损失等策略，显著提升了模型在语义理解与生成任务上的泛化性与鲁棒性（图3）。

在分类任务的验证中，FoilCLIP在10类翼型上取得了76.70%的Top-3准确率（图4）。在生成任务的验证中，模型能够根据文本描述高精度地重建库内翼型（平均MSE为 3.28×10−5），而CFD对比进一步证实，重建翼型与原始翼型具有一致的气动性能（图5），表明模型有效学习到了决定气动特性的关键几何特征。更具挑战性的泛化测试表明，对于全新的、包含复杂特征的文本指令，FoilCLIP同样能生成几何外形合理、且在关键参数上与文本描述吻合的新颖翼型（图6），充分展示了其在语言驱动的创新设计中的应用潜力。

研究结论

本文提出并验证了语言驱动的翼型设计框架FoilCLIP，该框架通过多尺度对比学习，成功建立了自然语言与翼型几何参数间的双向映射：

采用多尺度对比学习直接对齐文本与CST参数的策略，被证实能够有效捕捉二者间的深层语义关联，在文本翼型分类的准确率与条件翼型生成的高保真度上均取得了优良表现。
相较于图像模态，直接对齐文本与CST参数的策略，在保留精确几何信息、避免像素化开销方面优势显著，并使采用轻量化解码器进行快速生成成为可能，表现出对垂直领域的强适用性。
本文所构建的VAE-LLM数据增强策略被证实是一种有效的技术手段，为解决工程设计领域图文数据集稀疏的普遍难题具有一定的借鉴意义。