Inżynierowie z MIT opracowali ponad 8 tysięcy projektów pojazdów elektrycznych (EV), które w połączeniu ze sztuczną inteligencją (AI) mogą szybko wspierać budowę przyszłych samochodów. Nazwana "DrivAerNet++", ta otwarta baza danych zawiera projekty wzorowane na najpowszechniejszych obecnie typach samochodów. Modele 3D oferują szczegóły dotyczące ich właściwości aerodynamicznych oraz innych specyfikacji. Chociaż samochody elektryczne istnieją od ponad wieku, ich popularność gwałtownie wzrosła ostatnio. Tradycyjne projektowanie takich pojazdów zajmuje firmom kilka lat intensywnych prac i poprawek, aby osiągnąć ostateczny projekt, który można przekształcić w prototyp. Ze względu na swój prywatny charakter, szczegóły i wyniki tych prób, w tym aerodynamika prototypu, pozostają poufne. Często oznaczało to, że postępy w osiąganiu znaczących ulepszeń w zakresie zasięgu lub efektywności paliwowej EV były powolne, zauważają badacze. Jednak nowa baza danych ma na celu znaczne przyspieszenie odkrywania lepszych projektów samochodów. Ta cyfrowa biblioteka projektów samochodowych obejmuje kompleksowe dane dotyczące specyfikacji i aerodynamiki, potencjalnie wyposażając modele AI do tworzenia nowych projektów w przyszłości, wyjaśnili badacze. Poprzez usprawnienie tego tradycyjnie długotrwałego procesu, producenci mogą teraz szybciej niż kiedykolwiek opracowywać projekty EV, zauważyli inżynierowie. W powiązanym rozwoju nowa AI w pojeździe może wykrywać nietrzeźwych kierowców, stale monitorując ich twarze pod kątem oznak upojenia. W artykule przesłanym do preprintowej bazy danych arXiv 13 czerwca zespół szczegółowo opisał zbiór danych i jego potencjalne zastosowania z technologiami AI. Praca ta została również zaprezentowana na konferencji NeurIPS w Vancouver w grudniu. Wykorzystanie AI do projektowania samochodów w sekundy Zbiór danych badaczy, stworzony przy użyciu MIT SuperCloud, potężnego klastra komputerów do badań naukowych, dał 39 terabajtów danych po wykorzystaniu trzech milionów godzin jednostki centralnego przetwarzania. Zespół wykorzystał algorytm do systematycznego dostosowywania 26 parametrów, w tym długości pojazdu, cech podwozia, kształtów bieżnika i kół oraz nachylenia przedniej szyby dla każdego modelu bazowego. Wdrożyli również algorytm weryfikujący, że nowe projekty są oryginalne, a nie kopiami istniejących. Każdy projekt 3D został następnie przetłumaczony na różne formy czytelne, w tym siatkę, chmurę punktów lub listę wymiarów i specyfikacji.

Następnie przeprowadzano skomplikowane symulacje przepływu płynów w celu oceny przepływu powietrza wokół każdego projektu. "Proces do przodu jest tak kosztowny, że producenci mogą jedynie minimalnie zmieniać samochód z wersji na wersję, " wyjaśnił Faez Ahmed, adiunkt inżynierii mechanicznej na MIT. "Jednak dzięki rozległym zbiorom danych wskazującym na wyniki każdego projektu, modele uczenia maszynowego mogą szybko iterować, zwiększając szanse na osiągnięcie lepszych projektów. " Mohamed Elrefaie, student inżynierii mechanicznej na MIT, wspomniał, że zbiór danych może obniżyć koszty badań i rozwoju oraz przyspieszyć postępy. Przyspieszenie procesu projektowania może przynieść korzyści dla klimatu, ponieważ bardziej wydajne pojazdy mogą szybciej trafić do konsumentów. Integracja AI jest kluczowa w tym przyspieszeniu projektowania. Zbiór danych umożliwia trening generatywnego modelu AI, aby "działać w sekundach, a nie godzinach, " dodał Ahmed. Wcześniejsze modele AI mogły tworzyć pozornie zoptymalizowane projekty, ale były ograniczone przez małe zbiory danych treningowych. Nowy zbiór danych dostarcza bardziej obszerne dane szkoleniowe, umożliwiając modelom AI tworzenie nowych projektów lub ocenę aerodynamiki istniejących. Można to następnie wykorzystać do obliczania efektywności i zasięgu EV bez potrzeby fizycznego prototypu.