在工程形状优化中，面临着专家依赖性问题设置和代理模型可靠性等挑战。在实际的气动设计中，优化设置如可编辑区域、变形范围和设计保持约束通常由经验丰富的工程师手动指定，而基于代理的优化在异构几何数据库和超出分布的设计中可能变得不可靠。
为了解决这些问题，我们提出了一种知识约束形状优化框架，将基于知识的约束和用户意图转化为 DFFD（基于深度的变形）运算符的可量化参数，从而实现工程意识和可控的约束优化。
我们进一步开发了一种混合专家神经算子（MoE-NO），以提高异构气动数据集上的阻力预测和趋势一致性。基于 MoE-NO 编码器和马哈拉诺比斯距离，我们引入了一种不确定性估计策略，以检测超出分布的几何体，并选择性地触发物理求解器反馈以进行局部样本丰富。
实验结果在内部 MPV、SUV 和轿车数据集上显示，MoE-NO 实现了 $1.16\%$ 的测试集 MAPE 和 $94.34\%$ 的趋势预测准确率，分别优于最佳基线结果 $1.52\%$ 和 $90.34\%$。车辆形状优化实验进一步验证了 CFD 的阻力系数降低约 $4\%$ 到 $10\%$。
博主点评： 该研究通过引入混合专家神经算子，显著提升了气动设计中的阻力预测精度及趋势一致性，展示了知识约束在形状优化中的重要性，为工程设计提供了更为可靠的工具。未来的研究可进一步探索如何在更复杂的设计空间中应用此方法。