MIT insenerid on välja töötanud üle 8, 000 elektrisõiduki (EV) disaini, mis koos tehisintellektiga (AI) saavad kiiresti aidata tulevaste autode ehitusel. Avatud lähtekoodiga andmebaas nimega "DrivAerNet++" sisaldab tänapäeva kõige levinumate autode mudelite disaine. Need 3D-mudelid pakuvad üksikasju nende aerodünaamiliste omaduste ja teiste spetsifikatsioonide kohta. Kuigi elektriautod on eksisteerinud üle sajandi, on nende populaarsus viimasel ajal tõusnud. Nende sõidukite disainimine on traditsiooniliselt võtnud ettevõtetel mitu aastat ressursimahukaid iteratsioone ja parandusi, et jõuda lõplikku disaini, mida saab prototüübiks muuta. Tänu oma patenteeritud olemusele jäävad nende katsete, sealhulgas prototüübi aerodünaamika, üksikasjad ja tulemused konfidentsiaalseks. See on sageli tähendanud, et edusammud EV-sõiduulatuse või kütuse kasuteguri märkimisväärselt parandamisel on olnud aeglased, märkisid teadlased. Siiski püüab uus andmebaas kiirendada märkimisväärselt paremate autode disainide avastamist. See digitaalne autode disainide kogu sisaldab põhjalikke andmeid spetsifikatsioonide ja aerodünaamika kohta, mis annab AI mudelitele potentsiaali tulevikus luua uusi disaine, ütlesid teadlased. Sõidukite disainiprotsessi lühendades saavad tootjad nüüd arendada EV-disainid kiiremini kui kunagi varem, märkisid insenerid. Seotud arengus suudab uus sõidukisisene AI tuvastada joobes juhte, jälgides pidevalt nende nägusid joobe märkide suhtes. 13. juunil arXiv andmebaasile esitatud dokumendis kirjeldas meeskond andmekogu ja selle potentsiaalset kasutamist AI-tehnoloogiate abil. Seda tööd esitleti ka NeurIPS konverentsil Vancouveris detsembris. AI kasutamine, et luua automudelite disainid sekunditega Teadlaste andmekogu, loodud MIT SuperCloudiga, teaduslikele uuringutele mõeldud vägeva arvutiklastriga, andis kolm miljonit keskprotsessori tundi tarbides 39 terabaiti andmeid. Meeskond kasutas algoritmi, et süstemaatiliselt kohandada 26 parameetrit, sealhulgas sõiduki pikkus, alumiste osade omadused, rattarööppaar ja rattakujundus ning esiklaasi kaldenurk iga algmudeli jaoks. Samuti rakendasid nad algoritmi uute disainide originaalsuse kinnitamiseks, et need ei oleks olemasolevate koopiad. Seejärel tõlgiti iga 3D-disain mitmesse loetavasse vormingusse—nagu võrk, punktipilv või mõõtmete ja spetsifikatsioonide loend.

Seejärel viidi keerulisi vedeliku mehaanika simulatsioone läbi, et hinnata õhuvoolu iga disaini ümber. "Edasiviiv protsess on nii kulukas, et tootjad saavad autot vaid veidike muuta ühelt versioonilt teisele, " selgitas Faez Ahmed, MITi mehaanikatehnika dotsent. "Aga ulatuslike andmekogudega, mis näitavad iga disaini jõudlust, saavad masinõppe mudelid kiiresti iteratsiooni teha, suurendades paremate disainide saavutamise tõenäosust. " Mohamed Elrefaie, MIT mehaanikatehnika üliõpilane, mainis, et andmekogu võib vähendada teadus- ja arenduskulusid ning kiirendada arenguid. Disainiprotsessi kiirendamine võiks olla kasulik kliimale, tuues tõhusamad sõidukid tarbijateni kiiremini. KAI integreerimine on selles disainikiirendamises võtmetähtsusega. Andmekogu võimaldab generatiivse AI mudeli koolitamist, et "toimida sekunditega, mitte tundidega, " lisas Ahmed. Varasemad AI mudelid võisid luua näiliselt optimeeritud disaine, kuid neid piirasid väikesed treeningandmekogud. Uus andmekogu varustab tugevamate treeningandmetega, lubades AI mudelitel luua uusi disaine või hinnata olemasolevate aerodünaamikat. Seda saab seejärel kasutada EV efektiivsuse ja sõiduulatuse arvutamiseks ilma füüsilise prototüübi vajaduseta.