Wahandisi wa MIT wameunda miundo zaidi ya 8, 000 ya magari ya umeme, ambayo, inapoambatanishwa na akili bandia (AI), yanaweza kusaidia kwa haraka katika ujenzi wa magari ya siku zijazo. Inayojulikana kama "DrivAerNet++, " hifadhidata hii ya wazi ina miundo iliyomodeliwa kwa aina za magari yanayotumika sana leo. Miundo hii ya 3D inatoa maelezo kuhusu mali zao za kiufundi, pamoja na vipimo vingine. Ingawa magari ya umeme yamekuwepo kwa zaidi ya karne moja, umaarufu wao umekua kwa kiasi kikubwa hivi karibuni. Kubuni magari haya kiasili huchukua miaka kadhaa ya marekebisho na marudio ya matumizi mengi ya rasilimali kwa kampuni kufikia muundo wa mwisho unaoweza kubadilishwa kuwa mfano. Kwa sababu ya asili ya umiliki wake, maelezo na matokeo kutoka kwa majaribio haya—ikijumuisha aerodynamics ya mfano—hubaki siri. Hii mara nyingi imefanya maendeleo katika kufikia maboresho makubwa katika umbali wa EV au ufanisi wa mafuta kuwa polepole, watafiti walibainisha. Hata hivyo, hifadhidata hii mpya inataka kuharakisha kwa kasi ugunduzi wa miundo bora ya magari. Hifadhi hii ya kidijitali ya miundo ya magari inajumuisha data kamili juu ya vipimo na aerodynamics, ambayo inaweza kuwapatia mifano ya AI uwezo wa kuunda miundo mipya siku zijazo, watafiti walisema. Kwa kurahisisha mchakato huu mrefu wa kawaida, waandishi wanaweza sasa kuendeleza miundo ya EV kwa kasi zaidi kuliko hapo awali, wahandisi walibainisha. Katika maendeleo yanayohusiana, AI mpya ndani ya gari inaweza kugundua madereva waliolewa kwa kudhibiti nyuso zao kwa dalili za ulevi kila wakati. Katika karatasi iliyowasilishwa kwa hifadhidata ya awali ya arXiv mnamo Juni 13, timu ilieleza dataset na matumizi yake ya uwezo na teknolojia za AI. Kazi hii pia ilionyeshwa katika mkutano wa NeurIPS huko Vancouver mnamo Desemba. Kutumia AI kutengeneza miundo ya magari kwa sekunde Dataset ya watafiti, iliyoundwa na MIT SuperCloud, kizazi chenye nguvu cha kompyuta kwa utafiti wa kisayansi, ilizalisha terabaiti 39 za data baada ya kutumia saa milioni tatu za kitengo cha usindikaji wa kati. Timu ilitumia algoriti kubadili kimfumo vigezo 26, ikiwa ni pamoja na urefu wa gari, sifa za mwili wa chini, umbo la magurudumu na matairi, na mteremko wa kioo cha mbele kwa kila muundo wa msingi. Pia walitekeleza algoriti ya kuthibitisha kuwa miundo mpya ni ya kiasili badala ya nakala za zilizopo. Kila muundo wa 3D ulitafsiriwa katika formati mbalimbali zinazoweza kusomwa—ikiwa ni pamoja na gridi, wingu la pointi, au orodha ya vipimo na maelezo.

Kisha, simulizi tata za dynamiki ya maji zilifanywa kuhakiki mtiririko wa hewa kuzunguka kila muundo. "Mchakato wa mbele ni ghali sana kiasi kwamba watengenezaji wanaweza tu kurekebisha gari kidogo kutoka toleo moja hadi jingine, " alieleza Faez Ahmed, Profesa Msaidizi wa Uhandisi wa Kimekanika huko MIT. "Lakini na dataset kubwa zinazoonyesha utendaji wa kila muundo, mifano ya kujifunza kwa mashine inaweza kurudia haraka, ikiimarisha nafasi za kufikia miundo bora. " Mohamed Elrefaie, mwanafunzi wa uhandisi wa kimekanika wa MIT, alitaja kuwa dataset inaweza kupunguza gharama za utafiti na maendeleo na kuharakisha maendeleo. Kuharakisha mchakato wa kubuni kunaweza kufaidisha mazingira kwa kuleta magari yenye ufanisi zaidi kwa walaji haraka. Ujumuishaji wa AI ni muhimu katika kasi hii ya kubuni. Dataset inaruhusu mafunzo ya mfano wa AI ya kienezo "kufanya kazi kwa sekunde badala ya saa, " Ahmed aliongeza. Mifano ya AI ya awali inaweza kuwa imezalisha miundo iliyoonekana kuimarishwa lakini ilizuiliwa na hifadhidata ndogo za mafunzo. Dataset mpya inatoa data ya mafunzo iliyowekwa imara zaidi, kuwezesha mifano ya AI kuunda miundo ya ubunifu au kutathmini aerodinamiki za zilizopo. Hii inaweza kutumika kuhesabu ufanisi wa EV na umbali bila kuhitaji mfano halisi.