Las aeronaves eléctricas de despegue y aterrizaje vertical (eVTOL) han atraído una tremenda atención hoy en día debido a su maniobrabilidad flexible, control preciso, eficiencia de costos y bajo ruido. La optimización de la trayectoria de despegue es un componente clave de los sistemas eVTOL rentables y amigables para los pasajeros. Sin embargo, la optimización de diseño convencional suele ser computacionalmente prohibitiva debido a la adopción de modelos de simulación de alta fidelidad de forma iterativa. El aprendizaje automático (ML) permite la toma de decisiones rápidas; sin embargo, aún se necesitan nuevas arquitecturas y estrategias de modelado de sustitución de ML para abordar problemas a gran escala. Por lo tanto, presentamos un modelo sustituto de red generativa adversaria de regresión (regGAN) novedoso para predicciones rápidas de trayectorias óptimas de despegue interactivas de aeronaves eVTOL. El regGAN aprovecha las arquitecturas de red generativa adversaria para tareas de regresión con una función de pérdida combinada de pérdida de error cuadrático medio (MSE) y pérdida adversaria de entropía cruzada binaria (BC). Además, introducimos por primera vez un concepto de mapeo inverso basado en sustitutos en los diseños de trayectorias óptimas de eVTOL. En particular, un sustituto de mapeo inverso toma los requisitos de diseño (incluidas las restricciones de diseño y los parámetros de condiciones de vuelo) como entrada y predice directamente los diseños de trayectoria óptimos, sin necesidad de ejecutar optimizaciones de diseño una vez entrenados. Demostramos el regGAN en diseños de trayectoria de despegue óptimos para el Airbus Vahana. Los resultados revelaron que el regGAN superó las estrategias de sustitutos de referencia, incluidos los procesos gaussianos de múltiples salidas y los sustitutos de red generativa adversaria condicional, al igualar la verdad de la simulación basada en el suelo con una precisión de prueba relativa del 99.6% utilizando 1000 muestras de entrenamiento. Un estudio paramétrico mostró que un sustituto regGAN con un peso de MSE de uno y un peso de BC de 0.01 logró consistentemente más del 99.5% de precisión (denotando errores predictivos insignificantes) utilizando 400 muestras de entrenamiento, mientras que otros modelos regGAN requieren al menos 800 muestras.