Inženjeri s MIT-a razvili su preko 8. 000 dizajna za električna vozila (EV) koji, u kombinaciji s umjetnom inteligencijom (AI), mogu brzo pomoći u izradi automobila budućnosti. Nazvana "DrivAerNet++", ova baza podataka otvorenog koda sadrži dizajne temeljene na najraširenijim tipovima automobila danas. Ovi 3D modeli nude detalje o njihovim aerodinamičkim svojstvima, među ostalim specifikacijama. Iako električni automobili postoje više od stoljeća, njihova popularnost je nedavno naglo porasla. Tradicionalno projektiranje ovih vozila tvrtkama oduzima nekoliko godina intenzivnog korištenja resursa kroz iteracije i revizije kako bi došle do konačnog dizajna koji se može pretvoriti u prototip. Zbog svoje povjerljive prirode, detalji i rezultati ovih ispitivanja, uključujući aerodinamiku prototipa, ostaju tajni. Istraživači su primijetili kako to često znači da je napredak u postizanju značajnih poboljšanja u dometu EV ili učinkovitosti goriva bio spor. Međutim, ova nova baza podataka ima za cilj dramatično ubrzati otkriće superiornih dizajna automobila. Ovaj digitalni repozitorij dizajna automobila uključuje opsežne podatke o specifikacijama i aerodinamici, potencijalno opremajući AI modele za kreiranje novih dizajna u budućnosti, kažu istraživači. Pojednostavljivanjem ovog tradicionalno dugotrajnog procesa, proizvođači sada mogu razviti EV dizajne brže nego ikad prije, primijetili su inženjeri. U povezanom razvoju, nova AI tehnologija u vozilu može otkriti vozače pod utjecajem alkohola neprestano prateći njihova lica zbog znakova pijanstva. U radu podnesenom u repozitorij arXiv 13. juna, tim je izložio skup podataka i njegovu potencijalnu upotrebu s AI tehnologijama. Ovaj rad je također predstavljen na NeurIPS konferenciji u Vankuveru u decembru. Korištenje AI za izradu dizajna automobila u sekundi Skup podataka istraživača, kreiran pomoću MIT SuperClouda, snažnog klastera računala za znanstvena istraživanja, iznosio je 39 terabajta podataka nakon trošenja tri miliona sati rada centralne procesorske jedinice. Tim je koristio algoritam za sistematsko podešavanje 26 parametara, uključujući dužinu vozila, karakteristike podvozja, oblik gaznog sloja i točkova te nagib vjetrobranskog stakla za svaki osnovni model. Također su implementirali algoritam za provjeru da su novi dizajni originalni, a ne kopije postojećih. Svaki 3D dizajn zatim je preveden u različite čitljive formate—uključujući mreže, oblake točaka ili popis dimenzija i specifikacija.

Nakon toga su provedene složene simulacije dinamike fluida kako bi se procijenio protok zraka oko svakog dizajna. "Naprijedni proces je toliko skup da proizvođači mogu samo malo prilagoditi automobil od jedne verzije do druge", objasnio je Faez Ahmed, docent mašinstva na MIT-u. "Ali sa opsežnim skupovima podataka koji ukazuju na performanse svakog dizajna, modeli mašinskog učenja mogu brzo iterirati, povećavajući šanse za postizanje boljih dizajna. " Mohamed Elrefaie, student mašinstva na MIT-u, spomenuo je da skup podataka može smanjiti troškove istraživanja i razvoja te ubrzati napredak. Ubrzavanje dizajnerskog procesa moglo bi donijeti korist klimatu omogućujući efikasnija vozila potrošačima ranije. Integracija AI-a je ključna za ovo ubrzanje dizajna. Skup podataka omogućava treniranje generativnog AI modela da "djeluje u nekoliko sekundi, a ne sati", dodao je Ahmed. Raniji AI modeli možda su proizvodili naizgled optimizirane dizajne ali su bili ograničeni malim skupovima podataka za obuku. Novi skup podataka pruža značajnije podatke za obuku, omogućujući AI modelima kreiranje novih dizajna ili procjenu aerodinamičnosti postojećih. To se tada može koristiti za izračunavanje efikasnosti i dometa EV-a bez potrebe za fizičkim prototipom.