麻省理工学院的工程师开发了超过8000种电动车（EV）设计，结合人工智能（AI），可以快速协助未来车辆的建造。 这个名为“DrivAerNet++”的开源数据库包含基于当今最普遍汽车类型的模型设计。这些3D模型提供了关于其空气动力学特性及其他规格的详细信息。 虽然电动车已经存在了一个多世纪，但最近它们的人气大增。传统上，设计这些车辆需要公司花费数年时间进行资源密集的迭代和修订，才能达成可转化为原型的最终设计。 由于这些试验的专有性质，其中的细节和结果，包括原型的空气动力学特性，通常保密。这常常意味着在实现电动车续航里程或燃料效率的显著进步方面进展缓慢，研究人员指出。 然而，这个新的数据库旨在大幅加速优越汽车设计的发现。 这一车辆设计的数字仓库包括规格和空气动力学的综合数据，研究人员表示，这可能为AI模型在未来创造新设计提供支持。 通过简化这一传统上漫长的过程，制造商现在可以比以往更快地开发电动车设计，工程师们指出。 在相关发展中，一种新的车载AI可以通过不断监控司机的面部特征来检测醉酒驾驶。 在6月13日提交给预印本arXiv数据库的一篇论文中，团队详细介绍了数据集及其与AI技术的潜在应用。这项工作还在12月于温哥华举行的NeurIPS会议上进行了展示。 利用AI在几秒钟内设计汽车 研究人员通过麻省理工学院的SuperCloud，一个用于科学研究的强大计算机集群，创建的数据集消耗了300万个中央处理器小时，生成了39TB的数据。 团队使用算法系统地调整了26个参数，包括车辆长度、底盘特征、车胎和车轮形状以及挡风玻璃坡度等。还实施了一种算法，以验证新设计是原创而非现有的复制品。 然后，每个3D设计被转换为多种可读格式，包括网格、点云，或尺寸和规格列表。随后，进行了复杂的流体动力学模拟，以评估每个设计周围的空气流动。 “前向过程如此昂贵，以至于制造商只能对一个版本的汽车进行轻微改动，”麻省理工学院机械工程助理教授Faez Ahmed解释道。“但有了指示每个设计性能的大量数据集，机器学习模型可以快速迭代，增加实现更好设计的机会。” 麻省理工学院机械工程学生Mohamed Elrefaie提到，该数据集可以降低研发成本并加速进展。加速设计过程可通过更快地向消费者提供高效车辆从而造福气候。AI集成在这一设计加速中至关重要。数据集允许生成性的AI模型进行秒级操作，而非小时级，Ahmed补充道。 早期AI模型可能已经生产出看似优化的设计，但限于小型训练数据集。 新数据集提供了更强大的训练数据，使AI模型能够创造新设计或评估现有设计的空气动力学特性。这可以用于计算电动车的效率和续航里程，而无需实际原型。