MIT:s massiva databas med 8 000 nya AI-genererade EV-designer kan forma hur framtiden för bilar ser ut
MIT-ingenjörer har skapat mer än 8 000 konstruktioner av elektriska fordon (EV) som kan kombineras med artificiell intelligens (AI) för att snabbt bygga bilar i framtiden.
Döpt till ”DrivAerNet++”, denna öppen källkodsdatabas innehåller design som är baserad på de vanligaste typerna av bilar som finns ute just nu, sa ingenjörerna, visade som 3D-modeller som innehåller information som hur aerodynamisk designen är.
Elbilar har funnits i mer än 100 årmen har skjutit i höjden i popularitet nyligen. Att designa dessa bilar tar företag flera år, resurser, iterationer och revisioner tills de når en färdig design som de kan bygga en fysisk prototyp av.
På grund av dess proprietära natur är specifikationerna och resultaten från dessa tester (liksom prototypernas aerodynamik) privata. Detta innebär att betydande framsteg i EV-räckvidd eller bränsleeffektivitet kan vara långsam, sa forskarna.
Den nya databasen syftar dock till att påskynda sökningen efter bättre bildesigner exponentiellt.
Detta digitala bibliotek med bildesigner inkluderar detaljerad information om specifikationer och aerodynamik. Detta digitala bibliotek kan användas för att generera nya elbilsdesigner om det kombineras med AI-modeller i framtiden, sa forskarna.
Ingenjörerna sa att genom att effektivisera en lång process kan tillverkare utveckla elbilsdesign snabbare än någonsin tidigare.
Släkt: Ny AI-algoritm i fordon kan upptäcka berusade förare genom att ständigt skanna deras ansikten efter tecken på berusning
Teamet presenterade ett papper som laddades upp den 13 juni till förtrycket arXiv databas, som beskriver datamängden och hur den kan kombineras med AI-teknik. De beskrev arbetet på NeurIPS konferens i Vancouver i december. a
Lutar dig på AI för att skapa bildesigner på några sekunder
Datauppsättningen som forskarna skapade producerade 39 terabyte data samtidigt som den förbrukade 3 miljoner centrala behandlingstimmar med MIT SuperCloud — ett superkraftigt kluster av datorer som används för vetenskaplig forskning som kan nås på distans.
Teamet tillämpade en algoritm som systematiskt justerade 26 parametrar, inklusive fordonslängd, underredesegenskaper, slitbana och hjulformer och vindrutans lutning för varje baslinjebilmodell. De körde också en algoritm som avgjorde om en nygenererad design var en kopia av något som redan existerade eller verkligen nytt.
Varje 3D-design konverterades sedan till olika läsbara format – inklusive ett nät, ett punktmoln eller helt enkelt en lista med dimensioner och specifikationer. Slutligen körde de komplexa vätskedynamiksimuleringar för att beräkna hur luft skulle flöda runt varje genererad design.
”Framåtgående processen är så dyr att tillverkare bara kan justera en bil lite från en version till nästa,” tillade Faez Ahmedbiträdande professor i maskinteknik vid MIT, i en påstående. ”Men om du har större datamängder där du känner till prestandan för varje design, kan du nu träna maskininlärningsmodeller att iterera snabbt så att du är mer benägen att få en bättre design.”
Mohamed Elrefaieen maskiningenjörsstudent vid MIT, sade i uttalandet att datamängden kan hjälpa till att minska forsknings- och utvecklingskostnader och påskynda framsteg. Han tillade att att påskynda designprocessen också skulle hjälpa klimatet om det innebär att effektivare fordon når konsumenterna tidigare. , Nyckeln till denna snabbare design är integration med AI-verktyg. Datauppsättningen låter dig träna en generativ AI-modell att ”göra saker på sekunder snarare än timmar”, tillade Ahmed.
Tidigare AI-modeller kunde generera till synes optimerade design, men de förlitade sig på begränsad träningsdata.
Den nya datamängden ger mer robust träningsdata som AI-modeller nu kan använda för att antingen skapa nya konstruktioner eller testa aerodynamiken hos befintliga. Detta kan sedan användas för att beräkna elbilens effektivitet och räckvidd utan att behöva en fysisk prototyp.
