Chcete navrhovat auta budoucnosti? Zde je 8 000 návrhů na začátek.

Návrh automobilů je iterativní a patentovaný proces. Výrobci automobilů mohou strávit několik let ve fázi návrhu, ladí 3D tvary v simulacích předtím, než postaví nejnadějnější návrhy pro fyzické testování. Detaily a specifikace těchto testů, včetně aerodynamiky daného návrhu vozu, se obvykle nezveřejňují. Významné pokroky v oblasti výkonu, například v palivové účinnosti nebo dojezdu elektromobilů, proto mohou být pomalé a izolované od společnosti ke společnosti.

Inženýři MIT tvrdí, že hledání lepších návrhů automobilů se může exponenciálně urychlit s použitím nástrojů generativní umělé inteligence, které mohou prohledat obrovské množství dat za sekundy a najít spojení k generování nového designu. Zatímco takové nástroje AI existují, data, ze kterých by se měly učit, nebyla k dispozici, alespoň ne v žádné přístupné, centralizované formě.

Ale nyní inženýři poprvé zpřístupnili veřejnosti právě takovou datovou sadu. Datová sada s názvem DrivAerNet++ zahrnuje více než 8 000 návrhů automobilů, které inženýři vygenerovali na základě nejběžnějších typů automobilů na světě dnes. Každý design je reprezentován ve 3D formě a zahrnuje informace o aerodynamice vozu - o tom, jak by vzduch proudil kolem daného designu, na základě simulací dynamiky tekutin, které skupina provedla pro každý design.

Každý z 8 000 návrhů v datové sadě je k dispozici v několika reprezentacích, jako je síť, bodový oblak nebo jednoduchý seznam parametrů a rozměrů designu. Díky tomu může být datová sada použita různými modely AI, které jsou optimalizovány pro zpracování dat v konkrétní modalitě.

DrivAerNet++ je největší open-source datová sada pro aerodynamiku automobilů, která byla dosud vyvinuta. Inženýři si ji představují jako rozsáhlou knihovnu realistických návrhů automobilů s podrobnými údaji o aerodynamice, které lze použít k rychlému trénování libovolného modelu AI. Tyto modely pak mohou stejně rychle generovat nové návrhy, které by potenciálně mohly vést k úspornějším automobilům a elektromobilům s delším dojezdem, a to za zlomek času, který dnes automobilový průmysl potřebuje.

„Tato datová sada vytváří základ pro další generaci aplikací AI v inženýrství, podporuje efektivní procesy návrhu, snižuje náklady na výzkum a vývoj a řídí pokrok směrem k udržitelnější budoucnosti automobilového průmyslu,“ říká Mohamed Elrefaie, postgraduální student strojírenství na MIT.

Elrefaie a jeho kolegové představí článek popisující novou datovou sadu a metody AI, které by se na ni mohly aplikovat, na konferenci NeurIPS v prosinci. Jeho spoluautory jsou Faez Ahmed, asistent profesora strojírenství na MIT, spolu s Angelou Dai, docentkou informatiky na Technické univerzitě v Mnichově, a Florinem Mararem z BETA CAE Systems.

Zaplnění mezery v datech

Ahmed vede laboratoř Design Computation and Digital Engineering Lab (DeCoDE) na MIT, kde jeho skupina zkoumá způsoby, jak lze nástroje AI a strojového učení použít ke zlepšení návrhu komplexních technických systémů a produktů, včetně automobilové technologie.

„Často při navrhování automobilu je proces tak drahý, že výrobci mohou automobil pouze trochu vylepšit z jedné verze na další,“ říká Ahmed. „Ale pokud máte větší datové sady, kde znáte výkon každého návrhu, nyní můžete trénovat modely strojového učení, aby iterovaly rychleji, takže je pravděpodobnější, že získáte lepší návrh.“

A rychlost, zejména pro rozvoj automobilové techniky, je nyní obzvlášť naléhavá.

„Toto je nejlepší čas pro urychlení inovací v automobilovém průmyslu, protože automobily jsou jedním z největších znečišťovatelů na světě a čím rychleji můžeme snížit jejich příspěvek, tím více můžeme pomoci klimatu,“ říká Elrefaie.

Při studiu procesu návrhu nových automobilů výzkumníci zjistili, že zatímco existují modely AI, které by mohly procházet mnoha návrhy automobilů, aby generovaly optimální návrhy, dostupná data o automobilech jsou omezená. Někteří výzkumníci dříve sestavili malé datové sady simulovaných návrhů automobilů, zatímco výrobci automobilů zřídka zveřejňují specifikace skutečných návrhů, které zkoumají, testují a nakonec vyrábějí.

Tým se snažil zaplnit mezeru v datech, zejména s ohledem na aerodynamiku automobilu, která hraje klíčovou roli při stanovení dojezdu elektromobilu a palivové účinnosti spalovacího motoru. Problém, jak si uvědomili, byl ve shromáždění datové sady tisíců návrhů automobilů, z nichž každý je fyzicky přesný ve své funkci a formě, bez výhody fyzického testování a měření jejich výkonu.

Aby vytvořili datovou sadu návrhů automobilů s fyzicky přesnými reprezentacemi jejich aerodynamiky, začali výzkumníci s několika základními 3D modely, které byly poskytnuty společností Audi a BMW v roce 2014. Tyto modely představují tři hlavní kategorie osobních automobilů: fastback (sedany se skloněným zadním koncem), notchback (sedany nebo kupé s mírným prohlubením v zadním profilu) a estateback (například kombi s tupějšími, plochými zády). Základní modely by měly překlenout propast mezi jednoduchými a složitějšími patentovanými návrhy a byly použity jinými skupinami jako výchozí bod pro zkoumání nových návrhů automobilů.

Knihovna automobilů

Ve své nové studii tým aplikoval na každý ze základních modelů automobilů operaci morfingu. Tato operace systematicky provedla malou změnu každého z 26 parametrů v daném návrhu automobilu, jako je jeho délka, vlastnosti spodní části, sklon čelního skla a rozchod kol, které poté označil jako samostatný návrh automobilu, který byl poté přidán do rostoucí datové sady. Mezitím tým spustil optimalizační algoritmus, aby zajistil, že každý nový návrh je skutečně odlišný a není kopií již vygenerovaného návrhu. Poté přeložili každý 3D návrh do různých modalit, takže daný návrh lze reprezentovat jako síť, bodový oblak nebo seznam rozměrů a specifikací.

Výzkumníci také provedli komplexní výpočty dynamiky tekutin, aby vypočítali, jak by vzduch proudil kolem každého generovaného návrhu automobilu. Nakonec toto úsilí vyprodukovalo více než 8 000 odlišných, fyzicky přesných 3D forem automobilů, které zahrnují nejběžnější typy osobních automobilů na silnicích dnes.

Pro vytvoření této komplexní datové sady výzkumníci strávili více než 3 miliony hodin CPU s použitím MIT SuperCloud a vygenerovali 39 terabajtů dat. (Pro srovnání, odhaduje se, že celá tištěná sbírka Knihovny Kongresu by představovala asi 10 terabajtů dat.)

Inženýři říkají, že výzkumníci nyní mohou datovou sadu použít k trénování konkrétního modelu AI. Například model AI by mohl být trénován na části datové sady, aby se naučil konfigurace automobilů, které mají určitou požadovanou aerodynamiku. Během několika sekund by pak model mohl generovat nový návrh automobilu s optimalizovanou aerodynamikou na základě toho, co se naučil z tisíců fyzicky přesných návrhů v datové sadě.

Výzkumníci říkají, že datová sada by mohla být použita i pro opačný cíl. Například po natrénování modelu AI na datové sadě by návrháři mohli modelu poskytnout konkrétní návrh automobilu a nechat jej rychle odhadnout aerodynamiku návrhu, která se pak může použít k výpočtu potenciální palivové účinnosti nebo dojezdu automobilu - to vše bez provádění drahého budování a testování fyzického automobilu.

„To, co tato datová sada umožňuje, je trénovat generativní modely AI, aby dělaly věci za sekundy, nikoli za hodiny,“ říká Ahmed. „Tyto modely mohou pomoci snížit spotřebu paliva u vozidel se spalovacím motorem a zvýšit dojezd elektromobilů - což nakonec otevře cestu k udržitelnějším, ekologickým vozidlům.“

Tato práce byla zčásti podpořena Německou akademickou výměnnou službou a katedrou strojírenství na MIT.