高忠実度CFD（数値流体力学）シミュレーションは航空機の空力設計に広く使われ、そのデータで学習した深層学習サロゲートモデルは数値計算の結果を高速かつ高精度に再現できる。しかし、CFD自体が風洞実験と系統的なずれを持つため、CFD訓練済みモデルの予測も実験観測とそのまま一致するとは限らない。本論文（著者：Nitin Nagesh Kulkarniら5名）は、風洞のPSP（感圧塗料）計測値を利用し、大規模な再学習を行わずにCFD系サロゲートを実験データへ整合させる枠組みを提案している。
対象としたのはNASA CRM翼胴形状である。事前に準備されたGeotransolverサロゲートは、幾何変動、マッハ数0.70〜0.85、迎角0〜4度を網羅する2,300ケースの高忠実度CFDシミュレーションで訓練されており、CFDが予測する積分空気力とピッチングモーメントをR2>0.99で再現できる。それにもかかわらず、風洞実験によるPSP表面圧力分布とは一致しないことが問題となる。
そこで著者らは、代理モデルを再学習せずに実験情報を組み込むため、専用の補正ネットワークを追加した。この補正ネットワークは、0.70と0.85の二つのマッハ数で取得された空間位置合わせ済みのPSP計測データを用いて、代理モデルが予測する表面圧力分布と実験で測定された分布の差を学習する。補正後もサロゲートモデルのパラメータは固定されたままであり、CFDモデル全体を再訓練する必要はない。
評価では、マッハ0.85において特に顕著な改善が確認された。補正によって、翼上面の負圧ピーク、衝撃波位置、その後の圧力回復領域がPSP測定値とよく一致するようになり、予測誤差の大きさだけでなく、Cp誤差が0.05を超える濡れ表面の割合も低下した。この改善は限られた実験データセットから得られており、計算効率や一般化性能を損なわない点が重要である。
さらに、訓練に用いていない留出迎角で性能を検証すると、接地済みサロゲートモデルの予測は実測されたCpレンジの2.3〜2.7%以内に収まり、計測条件間を直接補間する方法をすべてのテスト状態で上回った。これは、CFDと実験の間に存在する系統的ずれを明示的に学習することで、少数の風洞データを用いても大規模シミュレーション訓練済みサロゲートの実データ適合性を高められることを示している。本手法は、空力設計における数値シミュレーションと実験観測を結びつける実用的なデータ融合アプローチと言える。