MIT-ingeniører har utviklet over 8 000 design for elektriske kjøretøy (EV), som sammen med kunstig intelligens (AI) raskt kan hjelpe til med å bygge fremtidens biler. Kalt "DrivAerNet++, " inneholder denne åpen kildekode-databasen design modellert etter dagens mest utbredte biltyper. Disse 3D-modellene gir detaljer om deres aerodynamiske egenskaper, blant andre spesifikasjoner. Selv om elektriske biler har eksistert i over et århundre, har deres popularitet økt kraftig i det siste. Å designe disse kjøretøyene tar tradisjonelt selskapene flere år med ressurskrevende iterasjoner og revisjoner for å nå en endelig design som kan omgjøres til en prototype. På grunn av sin proprietære natur forblir detaljene og resultatene fra disse testene, inkludert prototypens aerodynamikk, konfidensielle. Dette har ofte betydd at fremgang i å oppnå betydelige forbedringer i EV-rekkevidde eller drivstoffeffektivitet har gått sakte, bemerker forskerne. Denne nye databasen har imidlertid som mål å dramatisk akselerere oppdagelsen av overlegne bildesign. Dette digitale arkivet over bildesign inkluderer omfattende data om spesifikasjoner og aerodynamikk, noe som potensielt utstyrer AI-modeller til å skape nye design i fremtiden, sier forskerne. Ved å strømlinjeforme denne tradisjonelt lange prosessen, kan produsenter nå utvikle EV-design raskere enn noen gang, bemerker ingeniørene. I en relateret utvikling kan en ny AI-enhet i kjøretøyet oppdage berusede førere ved å kontinuerlig overvåke ansiktene deres for tegn på fyll. I en artikkel sendt til preprint-databasen arXiv 13. juni, beskrev teamet datasettet og dets potensielle bruk med AI-teknologier. Dette arbeidet ble også presentert på NeurIPS-konferansen i Vancouver i desember. Utnytte AI for å lage bildesign på sekunder Forskernes datasett, skapt med MIT SuperCloud, en kraftig klynge med datamaskiner for vitenskapelig forskning, resulterte i 39 terabyte med data etter å ha brukt tre millioner sentralenhetstimer. Teamet brukte en algoritme for systematisk å justere 26 parametere, inkludert kjøretøyets lengde, underkroppsfunksjoner, slitebanemønster og hjulformer, og vindrutas skråning for hver grunnmodell. De implementerte også en algoritme for å verifisere at nye design var originale snarere enn kopier av eksisterende. Hvert 3D-design ble deretter oversatt til ulike lesbare formater, inkludert et nett, en punktsky eller en liste over dimensjoner og spesifikasjoner.

Deretter ble komplekse fluiddynamikksimuleringer utført for å vurdere luftstrømmen rundt hvert design. "Den fremadrettede prosessen er så kostbar at produsenter bare kan justere en bil litt fra en versjon til den neste, " forklarte Faez Ahmed, assisterende professor i maskinteknikk ved MIT. "Men med omfattende datasett som indikerer ytelsen til hvert design, kan maskinlæringsmodeller iterere raskt, noe som øker sjansene for å oppnå bedre design. " Mohamed Elrefaie, en student innen maskinteknikk ved MIT, nevnte at datasettet kan redusere forsknings- og utviklingskostnader og fremskynde fremskritt. Å akselerere designprosessen kan være gunstig for klimaet ved å få mer effektive kjøretøy til forbrukerne tidligere. AI-integrasjon er avgjørende for denne designakselerasjonen. Datasettet tillater opplæring av en generativ AI-modell til å "operere på sekunder i stedet for timer, " la Ahmed til. Tidligere AI-modeller kan ha produsert tilsynelatende optimaliserte design, men var begrenset av små treningsdatasett. Det nye datasettet gir mer betydelig treningsdata, slik at AI-modeller kan lage nye design eller evaluere aerodynamikken til eksisterende. Dette kan deretter brukes til å beregne EV-ens effektivitet og rekkevidde uten å trenge en fysisk prototype.