Verkfræðingar við MIT hafa þróað fleiri en 8. 000 hönnun fyrir rafbíla sem, þegar samsett með gervigreind (AI), geta hraðað uppbyggingu framtíðar bíla. Þessi gagnagrunnur, sem kallast „DrivAerNet++“, er opinn og inniheldur hönnun byggða á algengustu bílgerðunum í dag. Þrívíddarlíkönin gefa upplýsingar um loftaflfræðilega eiginleika þeirra meðal annarra sérkenna. Þrátt fyrir að rafbílar hafi verið til í yfir öld hefur vinsældir þeirra aukist nýlega. Hefðbundin hönnun þessara farartækja tekur oft mörg ár og krefst mikils fjármagns í síendurtekin skref til að ná að lokahönnun sem hægt er að gera að frumgerð. Vegna eðli sinna hefur árangur og niðurstöður þessara tilrauna, þar á meðal loftaflfræði frumgerðarinnar, verið haldið leyndu. Þetta hefur oft þýtt að framfarir í að bæta drægi eða orkunýtni rafbíla hafa verið hægar, töldu vísindamenn. Þessi nýi gagnagrunnur leitast þó við að hraða verulega uppgötvun betri bílahönnunar. Þessi stafræni gagnagrunnur bílahönnunar felur í sér umfangsmikil gögn um sérkenni og loftaflfræði sem gætu búið AI módelum til að búa nýjar hönnunar í framtíðinni, að sögn vísindamannanna. Með því að einfalda þennan hefðbundna langa feril geta framleiðendur nú þróað hönnun rafbíla hraðar en nokkru sinni fyrr, sögðu verkfræðingar. Í tengdri þróun getur nýtt AI innan bíls numið áfengi í bílstjórum með því að fylgjast stöðugt með andlitum þeirra fyrir merki um ölvun. Í grein sem send var inn á arXiv gagnagrunninn þann 13. júní lýsti teymið gagnasettinu og mögulegri notkun þess með AI tækni. Þessi vinna var einnig kynnt á NeurIPS ráðstefnunni í Vancouver í desember. Nýting gervigreindar til bílahönnunar á sekúndum Gagnasafn vísindamannanna, sem var búið til með MIT SuperCloud, öflugum tölvuklasa fyrir vísindarannsóknir, framleiddi 39 terabæti af gögnum eftir að hafa notað þrjár milljónir reiknistundir. Teymið notaði reiknirit til að stilla kerfisbundið 26 breytur, þar á meðal lengd ökutækis, eiginleika undirvagns, lögun dekka og hjóla, og halla framrúðu fyrir hverja grunnlíkön. Þau innleiddu líka reiknirit til að tryggja að nýjar hönnunir væru upprunalegar en ekki afrit af fyrri. Hvert þrívíddarhönnun var síðan þýtt á ýmis lesanleg form–þ. m. t.

möskva, punktaský eða lista yfir víddir og einkenni. Í kjölfarið voru gerðar flóknar vökvastærðfræðilegar hermunir til að meta loftflæði í kringum hverja hönnun. „Framherferlið er svo dýrt að framleiðendur geta aðeins breytt bíl lítillega frá einni útgáfu til þeirrar næstu, “ útskýrði Faez Ahmed, lektor í vélaverkfræði við MIT. „En með umfangsmiklum gagnasettum sem gefa til kynna frammistöðu hverrar hönnunar geta lært vélarlíkön ítrétt hratt og aukið líkur á að ná betri hönnun. “ Mohamed Elrefaie, nemandi í vélaverkfræði við MIT, nefndi að gagnasafnið gæti lækkað rannsóknar- og þróunarkostnað og flýtt fyrir úrbótum. Að flýta hönnunarferlinu gæti verið til góðs fyrir umhverfið með því að koma skilvirkari ökutækjum til neytenda fyrr. AI samruni er lykillinn í þessari hraðari hönnun. Gagnasafnið leyfir þjálfun generatífrar AI til að „starfa á sekúndum frekar en klukkustundum, “ bætti Ahmed við. Eldri AI líkön gætu hafa framleitt virkilega hagrædda hönnun, en þeim skorti lítil þjálfunargögn. Nýja gagnasafnið veitir meira merkilegt þjálfunargögn, sem gerir AI módelum kleift að skapa ný skoðanir eða meta loftaflfræði núverandi hönnana. Þetta getur svo verið notað til að reikna út skilvirkni og drægi rafbíla án þess að þurfa líkamlega frumgerð.