Инженерите од MIT развијаa повеќе од 8, 000 дизајни за електрични возила (EV), кои, во комбинација со вештачка интелигенција (AI), можат брзо да помогнат во конструирањето на идни автомобили. Оваа отворена база на податоци, наречена "DrivAerNet++, " вклучува дизајни засновани на најраспространетите типови автомобили денес. Овие 3D модели нудат детали за нивните аеродинамички својства, како и други спецификации. Иако електричните возила постојат веќе еден век, нивната популарност драстично се зголеми неодамна. Традиционалниот процес на дизајнирање овие возила бара од компаниите неколку години ресурсо-интензивни итерации и ревизии за да стигнат до финален дизајн кој може да се претвори во прототип. Поради сопственичкиот карактер, деталите и резултатите од овие испитувања, вклучувајќи аеродинамиката на прототипот, остануваат доверливи. Тоа често значи дека напредокот во постигнување значителни подобрувања во опсегот или горивната економичност на EV е бавен, според истражувачите. Сепак, оваа нова база на податоци има за цел значително да го забрза откривањето на супериорни дизајни на автомобили. Овој дигитален репозиториум на дизајни на автомобили вклучува сеопфатни податоци за спецификации и аеродинамика, потенцијално опремувајќи AI модели за создавање нови дизајни во иднина, велат истражувачите. Со рационализација на овој традиционално долг процес, производителите сега можат да развијат дизајни на EV побрзо од кога било, наведуваат инженерите. Во врска со ова, нова AI технологија во возилото може да открие возачи под влијание на алкохол преку постојано следење на нивните лица за знаци на пијанство. Во труд поднесен до базата на пред-печатење arXiv на 13 јуни, тимот ги изложи податоците и нивната потенцијална употреба со AI технологии. Оваа работа беше претставена и на конференцијата NeurIPS во Ванкувер во декември. Искористување на AI за креирање дизајни на автомобили за неколку секунди Поголем кластер компјутери наречен MIT SuperCloud беше употребен за создавање на базата на податоци на истражувачите, давајќи 39 терабајти податоци после трошење три милиони часови на централна процесорска единица. Тимот користеше алгоритам за систематско прилагодување на 26 параметри, вклучувајќи должина на возилото, подводни карактеристики, форми на тркала и тркални траги и наклон на ветробранското стакло за секој основен модел. Тие исто така имплементираа алгоритам за проверка дека новите дизајни се оригинални, а не копии на постоечки. Секој 3D дизајн беше потоа преведен во различни читливи формати—вклучувајќи меш, точков облак или список на димензии и спецификации.

Потоа, беа спроведени комплексни симулации на динамика на течности за да се процени протокот на воздух околу секој дизајн. „Процесот на напредок е толку скап што производителите можат само малку да модифицираат автомобил од една верзија до следната, “ објасни Фаез Ахмед, доцент по машинско инженерство на MIT. „Но со обемни податоци кои укажуваат на перформансите на секој дизајн, моделите на машинско учење можат брзо да итираат, зголемувајќи ги шансите за постигнување подобри дизајни. “ Мохамед Елрефаие, студент по машинско инженерство на MIT, истакна дека основата на податоци може да ги намали трошоците за истражување и развој и да го забрза напредокот. Зголемувањето на брзината на процесот на дизајн може да биде корисно за климата преку испорачување на поефикасни возила до потрошувачите побрзо. Интергацијата на AI е клучна за оваа забрзаност на дизајнот. Основата на податоци овозможува да се обучи генеративен AI модел да „оперира за неколку секунди наместо часови, “ додаде Ахмед. Поранешни AI модели можеби би произвеле навидум оптимизирани дизајни, но биле ограничени од мали бази на податоци за обучување. Новата база на податоци нуди поголеми обуки за AI модели, овозможувајќи им да создаваат нови дизајни или да ги оценуваат аеродинамичките способности на постоечките. Ова може да се употреби за пресметување на ефикасноста и опсегот на EV без потреба од физички прототип.