MIT अभियंत्यांनी 8, 000 हून अधिक इलेक्ट्रिक वाहन (EV) डिझाईन्स विकसित केल्या आहेत, ज्या कृत्रिम बुद्धिमत्तेसह (AI) जोडल्यावर भविष्यातील कार निर्मितीस जलद सहाय्य करू शकतात. "DrivAerNet++" नावाच्या या मुक्त-स्रोत डेटाबेसमध्ये आजच्या सर्वाधिक प्रचलित कार प्रकारांवर आधारित डिझाईन्स आहेत. या 3D मॉडेल्समध्ये त्यांच्या एरोडायनामिक गुणधर्मांसह अन्य तपशील उपलब्ध आहेत. इलेक्ट्रिक कार शतकभरांपूर्वीपासून अस्तित्वात आहेत, त्यांच्या लोकप्रियतेत अलीकडेच वाढ झाली आहे. कंपन्यांना पारंपरिकरित्या ह्या वाहनांची डिझाईन तयार करण्यास अनेक वर्षे लागतात, ज्यात संसाधन-गहन पुनरुज्जीवने व दुरुस्त्या समाविष्ट असतात, जेणेकरून एक अंतिम डिझाईन तयार करता येईल. त्यांच्या खरडलेल्या स्वरूपामुळे, या चाचण्यांचे तपशील आणि परिणाम गोपनीय राहतात, ज्यात प्रोटोटाइपचे एरोडायनामिक्सही समाविष्ट असतात. यामुळे EV श्रेणी किंवा इंधन कार्यक्षमतेत लक्षणीय सुधारणा करण्यातील प्रगती मंदावली आहे, असे संशोधक म्हणाले. तथापि, नवीन डेटाबेस श्रेष्ठ कार डिझाईन्स शोधण्यात झपाट्याने गती आणण्यासाठी आहे. या डिजिटल संग्रहात कार डिझाईन्सची व्यापक माहिती, वैशिष्ट्ये व एरोडायनामिक्सची माहिती समाविष्ट आहे, जे AI मॉडेल्सना भविष्यात नवीन डिझाईन्स तयार करण्यात लागते, असे संशोधक म्हणाले. या पारंपरिक दीर्घ प्रक्रियेला सुलभ केल्यामुळे, उत्पादक आता EV डिझाईन्स जलद तयार करू शकतात, असे अभियंत्यांनी नोंदवले. संबंधित विकासात, एक नवीन वाहनातील AI अल्कोहलयुक्त ड्रायव्हर्सना चेहरे वारंवार टिपून ओळखू शकतो. 13 जून रोजी arXiv डेटाबेसवर सादर केलेल्या कागदपत्रात, टीमने डेटासेट आणि AI तंत्रज्ञानासोबत त्याच्या संभाव्य वापराचा तपशील दिला. हे काम वँकुव्हर मधील NeurIPS परिषदेत डिसेंबरमध्ये सादर करण्यात आले. AI वापरून काही सेकंदात कार डिझाइन तयार करणे MIT सुपरक्लाउडसह तयार केलेल्या संशोधकांच्या डेटासेटने, ज्यात वैज्ञानिक संशोधनासाठी शक्तिशाली संगणकांचा समूह आहे, तीन मिलियन केंद्रीय प्रक्रिया युनिट तासांमध्ये 39 टेराबाइट्स डाटा निर्माण केला. टीमने प्रत्येक मूलभूत मॉडेलसाठी वाहनाची लांबी, अधरांगाचे गुणधर्म, ट्रीड आणि चाकांचे आकार, आणि विंडशील्डची उतरण आदी 26 घटक व्यवस्था करण्यासाठी एक अल्गोरिदम वापरला. त्यांनी हे निश्चित करण्यासाठी अल्गोरिदमही वापरले की नवीन डिझाइन्स विद्यमान डिझाइन्सच्या प्रतिमा नव्हेत. प्रत्येक 3D डिझाईन नंतर वाचण्यायोग्य स्वरूपात अनुवादित केला गेला—मेश, पॉइंट क्लाउड, किंवा परिमाणे व वैशिष्ट्यांची यादी.

त्यानंतर त्यांच्या आजुबाजूच्या वायुप्रवाहाचे मूल्यांकन करण्यासाठी जटिल द्रव डायनामिक्स अनुकरणे केले गेले. "आघाडीची प्रक्रिया इतकी महाग आहे की उत्पादक एका आवृत्तीत कार थोडीच बदलू शकतात, " MIT मधील यांत्रिक अभियंता सहायक प्रोफेसर फैझ अहमद यांनी स्पष्ट केले. "परंतु प्रत्यक्ष डिझाईन्सच्या प्रदर्शनाचे संकेत असलेल्या विस्तृत डेटासेट्ससह, मशीन-लर्निंग मॉडेल्स लवकर नवलेखिकाही तयार करू शकतात, चांगले डिझाईन्स साधण्याच्या संधी वाढतात. " मोहमद एलरफाई, एक MIT यांत्रिकी अभियंता विद्यार्थी, यांनी उल्लेख केला की डेटासेट संशोधन व विकास खर्च कमी करू शकतो आणि प्रगतीला गती देऊ शकतो. डिझाईन प्रक्रिया गतीमुळे अधिक प्रभावी वाहनांचा ग्राहकांना लवकर फायदा मिळतो. AI एकात्मता या डिझाईन गतीला महत्त्वपूर्ण आहे. डेटासेट एक जनरेटिव AI मॉडेल प्रशिक्षणासाठी उपलब्ध आहे ज्यामुळे "सेकंदात कार्यरत राहते, तासांऐवजी, " अहमद यांनी जोडले. पूर्वीचे AI मॉडेल छोटे प्रशिक्षण डेटासेट्समुळे चांगली दिसणारी डिझाईन्स तयार करू शकतात पण त्यांच्या मर्यादांमुळे. नवीन डेटासेट अधिक भक्कम अभ्यास प्रशिक्षण देत आहे, जे AI मॉडेल्सना नवीन डिझाईन्स तयार करण्यासाठी किंवा विद्यमान डिझाईन्सच्या एरोडायनामिक्सचे मूल्यांकन करण्यास सक्षम करते. त्यामुळे EV चे कार्यक्षमता आणि श्रेणी भौतिक प्रोटोटाइपशिवाय मोजण्यात मदत होते.