Ingenjörer från MIT har utvecklat över 8 000 elfordonsdesigner (EV), vilka, tillsammans med artificiell intelligens (AI), snabbt kan bidra till framtidens bilkonstruktioner. Denna öppen källkod-databas, kallad "DrivAerNet++, " innehåller designer som är modellerade efter dagens vanligaste biltyper. Dessa 3D-modeller ger detaljer om deras aerodynamiska egenskaper, bland andra specifikationer. Även om elbilar har funnits i över ett sekel, har deras popularitet nyligen ökat kraftigt. Utformning av dessa fordon tar traditionellt flera år med resursintensiva iterationer och revisioner för företag att nå fram till en slutlig design som kan förvandlas till en prototyp. På grund av sin proprietära natur förblir detaljer och resultat från dessa tester—inklusive prototypens aerodynamik—konfidentiella. Forskare noterade att detta ofta innebär att framsteg i strävan att nå betydande förbättringar i EV-räckvidd eller bränsleeffektivitet har varit långsamma. Denna nya databas syftar dock till att dramatiskt påskynda upptäckten av överlägsna bildesigner. Detta digitala databas av bildesigner inkluderar omfattande data om specifikationer och aerodynamik som potentiellt utrustar AI-modeller för att skapa nya designer i framtiden, sade forskarna. Genom att effektivisera denna traditionellt långa process kan tillverkare nu utveckla EV-designer snabbare än någonsin tidigare, noterade ingenjörerna. I en relaterad utveckling kan en ny AI i fordon upptäcka berusade förare genom att ständigt övervaka deras ansikten för tecken på berusning. I en artikel inlämnad till förtrycksdatabasen arXiv den 13 juni detaljerade teamet datasetet och dess potentiella användning med AI-teknologier. Detta arbete presenterades också vid NeurIPS-konferensen i Vancouver i december. Utnyttja AI för att skapa bildesigner på sekunder Forskarteamets dataset, skapat med MIT SuperCloud, en kraftfull kluster av datorer för vetenskaplig forskning, genererade 39 terabyte data efter att ha använt tre miljoner centrala processortimmar. Teamet använde en algoritm för att systematiskt justera 26 parametrar, inklusive fordonslängd, underkroppsfunktioner, slitbanor och hjulformer samt vindrutans lutning, för varje grundmodell. De implementerade också en algoritm för att verifiera att nya designer var originella istället för kopior av befintliga. Varje 3D-design översattes sedan till olika läsbara format—inbegripet ett nät, ett punktmoln, eller en lista över dimensioner och specifikationer.

Därefter genomfördes komplexa strömningsdynamik-simuleringar för att bedöma luftflödet runt varje design. "Framåtprocessen är så dyr att tillverkare bara kan göra små justeringar av en bil från en version till nästa, " förklarade Faez Ahmed, biträdande professor i maskinteknik vid MIT. "Men med omfattande datasets som indikerar prestationerna för varje design kan maskininlärningsmodeller iterera snabbt, vilket ökar chansen att uppnå bättre designer. " Mohamed Elrefaie, en student i maskinteknik vid MIT, nämnde att datasetet kan sänka kostnaderna för forskning och utveckling och påskynda framstegen. Att påskynda designprocessen kan gynna klimatet genom att effektivare fordon når konsumenter snabbare. AI-integration är avgörande för denna designacceleration. Datasetet möjliggör träning av en generativ AI-modell för att "fungera på sekunder snarare än timmar, " tillade Ahmed. Tidigare AI-modeller kunde ha producerat till synes optimerade designer men begränsades av små träningsdataset. Det nya datasetet tillhandahåller större träningsdata, vilket möjliggör för AI-modeller att skapa nya designer eller utvärdera befintliga designs aerodynamik. Detta kan sedan användas för att beräkna EV:s effektivitet och räckvidd utan behov av en fysisk prototyp.