La optimización del diseño de formas aerodinámicas enfrenta desafíos debido a las demandas computacionales y al vasto espacio de diseño, lo que limita su practicidad y escalabilidad. Si bien se ha avanzado en regímenes subsónicos y transónicos, la optimización en tiempo real para condiciones supersónicas sigue sin explorarse. Para cerrar esta brecha, este trabajo aprovecha el conocimiento adquirido de datos del mundo real subsónicos y transónicos e introduce un marco de optimización rápida adaptado para el régimen supersónico. Se propone una nueva red neuronal convolucional multitarea de extremo a extremo para predecir los coeficientes aerodinámicos de una forma de ala, extrayendo características globales y locales directamente de la geometría. El modelo sustituto se examina y valida exhaustivamente, incluyendo un análisis de la explicabilidad del modelo. El modelo sustituto logra resultados comparables con el estado del arte, con errores relativos en las predicciones de coeficientes aerodinámicos por debajo del 1.7%. Además, una estrategia de optimización basada en el modelo sustituto integra el modelo sustituto con una red generativa adversarial para generar formas de ala realistas, reduciendo así el espacio de diseño a una representación de baja dimensión. Este enfoque proporciona una solución robusta que acelera la rutina de optimización más de 3000 veces en comparación con los métodos basados en simulación, logrando al mismo tiempo una desviación de menos del 1.9% de su rendimiento óptimo. En general, este trabajo encuentra un equilibrio entre eficiencia y efectividad sin comprometer la fiabilidad.