MIT vam nudi 8000 dizajna za automobil budućnosti

Je li vam ikada palo na pamet da dizajnirate vlastiti automobil i postanete faca poput Mate Rimca? Ako je odgovor potvrdan, za početak biste trebali napraviti dizajn svojeg vozila snova, no to nije tako jednostavno izvesti, jer čak i ako dobro crtate, morat ćete misliti i na performanse tog vozila.

Proizvođači automobila mogu potrošiti nekoliko godina na fazu dizajna automobila, dotjerujući 3D oblike u simulacijama prije nego što izgrade dizajne koji najviše obećavaju za fizičko testiranje. Pojedinosti i specifikacije ovih testova, uključujući aerodinamiku određenog dizajna automobila, obično se ne objavljuju.

Inženjeri s američkog Instituta tehnologije iz Massachusettsa MIT-a, kažu da se potraga za boljim dizajnom automobila može eksponencijalno ubrzati upotrebom alata generativne umjetne inteligencije koji mogu pretražiti ogromne količine podataka u sekundi i pronaći veze za generiranje novog dizajna. Dok takvi alati umjetne inteligencije postoje, podaci iz kojih bi trebali učiti nisu bili dostupni, barem u bilo kakvom dostupnom, centraliziranom obliku.

Sada su inženjeri po prvi put učinili dostupnim upravo takav skup podataka javnosti. Nazvan DrivAerNet++, skup podataka obuhvaća više od 8000 dizajna automobila koje su inženjeri generirali na temelju najčešćih tipova automobila danas u svijetu. Svaki dizajn je predstavljen u 3D obliku i uključuje informacije o aerodinamici automobila, načinu na koji bi zrak strujao oko danog dizajna, na temelju simulacija dinamike fluida koje je grupa provela za svaki dizajn, kao što možete vidjeti u ovom videu.

Svaki od 8000 dizajna skupa podataka dostupan je u nekoliko prikaza, poput mreže, oblaka točaka ili jednostavnog popisa parametara i dimenzija dizajna. Kao takav, skup podataka mogu koristiti različiti modeli umjetne inteligencije koji su podešeni za obradu podataka u određenom modalitetu.

DrivAerNet++ najveći je skup podataka otvorenog koda za aerodinamiku automobila koji je do danas razvijen. Inženjeri predviđaju da se koristi kao opsežna biblioteka realističnih dizajna automobila, s detaljnim podacima o aerodinamici koji se mogu koristiti za brzo treniranje bilo kojeg AI modela. Ovi modeli zatim mogu jednako brzo generirati nove dizajne koji bi potencijalno mogli dovesti do automobila s manjom potrošnjom goriva i električnih vozila s većim dometom, u djeliću vremena koje je potrebno današnjoj automobilskoj industriji.

Kako bi izgradili skup podataka o dizajnu automobila s fizički točnim prikazima njihove aerodinamike, istraživači su započeli s nekoliko osnovnih 3D modela koje su osigurali Audi i BMW 2014. Ti modeli predstavljaju tri glavne kategorije osobnih automobila, fastback (limuzine sa zakošenim stražnjim dijelom kraj), notchback (limuzine ili kupei s blagim ugibom u stražnjem profilu) i karavane. Smatra se da osnovni modeli premošćuju jaz između jednostavnih i kompliciranijih, a druge su ih skupine koristile kao polazište za istraživanje novih dizajna automobila.

U svojoj studiji tim je primijenio operaciju preoblikovanja na svaki od osnovnih modela automobila. Ova je operacija sustavno napravila malu promjenu svakog od 26 parametara u određenom dizajnu automobila, kao što su njegova duljina, karakteristike podvozja, nagib vjetrobranskog stakla i gazni sloj kotača, što je zatim označeno kao poseban dizajn automobila, koji je zatim dodan rastućem skup podataka.

U međuvremenu, tim je pokrenuo algoritam optimizacije kako bi osigurao da je svaki novi dizajn doista različit, a ne kopija već generiranog dizajna. Zatim su preveli svaki 3D dizajn u različite modalitete, tako da se dati dizajn može predstaviti kao mreža, oblak točaka ili popis dimenzija i specifikacija.

Istraživači su također proveli složene, računalne simulacije dinamike fluida kako bi izračunali kako će zrak strujati oko svakog generiranog dizajna automobila. Na kraju je ovo dovelo do više od 8000 različitih, fizički preciznih 3D oblika automobila, koji su obuhvaćali najčešće tipove osobnih automobila danas na cestama.

Kako bi proizveli ovaj sveobuhvatni skup podataka, istraživači su potrošili preko 3 milijuna CPU sati koristeći MIT SuperCloud i generirali 39 terabajta podataka.

Istraživači kažu da inženjeri sada mogu koristiti skup podataka za treniranje određenog AI modela. Na primjer, model umjetne inteligencije mogao bi se trenirati na dijelu skupa podataka kako bi naučio konfiguracije automobila koje imaju određenu poželjnu aerodinamiku. U roku od nekoliko sekundi, model bi zatim mogao generirati novi dizajn automobila s optimiziranom aerodinamikom, na temelju onoga što je naučio iz skupa podataka tisuća fizički točnih dizajna.

Istraživači kažu da bi se skup podataka mogao koristiti i za obrnuti cilj. Na primjer, nakon obuke modela umjetne inteligencije na skupu podataka, dizajneri bi mogli dodati modelu određeni dizajn automobila i omogućiti mu da brzo procijeni aerodinamiku dizajna, koja se zatim može koristiti za izračunavanje potencijalne učinkovitosti goriva ili električnog dosega automobila, sve bez izrade i testiranja fizičkog automobila.

Istraživački rad možete pronaći na ovoj poveznici, a sve datoteke se nalaze na Github stranici projekta ovdje.