De enorme database van MIT met 8.000 nieuwe, door AI gegenereerde EV-ontwerpen zou kunnen bepalen hoe de toekomst van auto’s eruit zal zien

Een open-sourcedatabase gemaakt door MIT-ingenieurs herbergt meer dan 8.000 aerodynamische auto-ontwerpen en zou toekomstige AI-modellen kunnen trainen om in de toekomst elektrische voertuigen te ontwerpen.

MIT-ingenieurs hebben meer dan 8.000 ontwerpen voor elektrische voertuigen (EV) gemaakt die kunnen worden gecombineerd met kunstmatige intelligentie (AI) om in de toekomst snel auto's te bouwen.

Deze open-sourcedatabase, genaamd "DrivAerNet++", bevat ontwerpen die zijn gebaseerd op de meest voorkomende autotypes die momenteel beschikbaar zijn, zeiden de ingenieurs, weergegeven als 3D-modellen die informatie bevatten zoals hoe aerodynamisch het ontwerp is.

Elektrische auto's bestaan al meer dan 100 jaar, maar zijn de laatste tijd enorm in populariteit gestegen. Het ontwerpen van deze auto's kost bedrijven meerdere jaren, middelen, iteraties en herzieningen totdat ze een definitief ontwerp bereiken waaruit ze een fysiek prototype kunnen bouwen.

Vanwege het bedrijfseigen karakter zijn de specificaties en resultaten van deze tests (evenals de aerodynamica van de prototypes) privé. Dit betekent dat aanzienlijke vooruitgang op het gebied van EV-bereik of brandstofefficiëntie traag kan zijn, aldus de wetenschappers.

De nieuwe database heeft echter tot doel de zoektocht naar betere auto-ontwerpen exponentieel te versnellen.

Deze digitale bibliotheek met auto-ontwerpen bevat gedetailleerde gegevens over specificaties en aerodynamica. Deze digitale bibliotheek zou kunnen worden gebruikt om nieuwe elektrische auto-ontwerpen te genereren als deze in de toekomst wordt gecombineerd met AI-modellen, aldus de onderzoekers.

De ingenieurs zeiden dat fabrikanten, door een langdurig proces te stroomlijnen, sneller dan ooit tevoren EV-ontwerpen kunnen ontwikkelen.

Gerelateerd: Nieuw AI-algoritme in voertuigen kan dronken bestuurders herkennen door hun gezichten voortdurend te scannen op tekenen van dronkenschap

Het team presenteerde een paper, die op 13 juni werd geüpload naar de preprint arXiv-database, waarin de dataset werd geschetst en hoe deze kan worden gecombineerd met AI-technologieën. Ze beschreven het werk op de NeurIPS-conferentie in Vancouver in december. A

Leunend op AI om binnen enkele seconden auto-ontwerpen te maken

De dataset die de onderzoekers creëerden produceerde 39 terabytes aan gegevens en verbruikte 3 miljoen centrale verwerkingsuren met de MIT SuperCloud – een superkrachtige cluster van computers die worden gebruikt voor wetenschappelijk onderzoek en die op afstand toegankelijk zijn.

Het team paste een algoritme toe dat systematisch 26 parameters aanpaste, waaronder voertuiglengte, kenmerken van de onderkant, loopvlak- en wielvormen en de helling van de voorruit voor elk basisautomodel. Ze voerden ook een algoritme uit dat bepaalde of een nieuw gegenereerd ontwerp al dan niet een kopie was van iets dat al bestond of echt nieuw was.

Elk 3D-ontwerp werd vervolgens omgezet in verschillende leesbare formaten, waaronder een mesh, een puntenwolk of gewoon een lijst met afmetingen en specificaties. Ten slotte voerden ze complexe vloeistofdynamica-simulaties uit om te berekenen hoe lucht rond elk gegenereerd ontwerp zou stromen.

"Het voorwaartse proces is zo duur dat fabrikanten een auto maar een klein beetje kunnen aanpassen van de ene versie naar de volgende", aldus Faez Ahmed, assistent-professor werktuigbouwkunde aan het MIT, in een verklaring . "Maar als je grotere datasets hebt waarvan je de prestaties van elk ontwerp kent, kun je nu machinale leermodellen trainen om snel te itereren, zodat de kans groter is dat je een beter ontwerp krijgt."

Mohamed Elrefaie, een student werktuigbouwkunde aan het MIT, zei in de verklaring dat de dataset zou kunnen helpen de onderzoeks- en ontwikkelingskosten te verlagen en de vooruitgang te bespoedigen. Hij voegde eraan toe dat het versnellen van het ontwerpproces ook het klimaat zou helpen als dit betekent dat efficiëntere voertuigen de consument sneller bereiken. De sleutel tot deze ontwerpversnelling is de integratie met AI-tools. Met de dataset kun je een generatief AI-model trainen om “dingen in seconden te doen in plaats van uren”, voegde Ahmed eraan toe.

Eerdere AI-modellen konden ogenschijnlijk geoptimaliseerde ontwerpen genereren, maar ze waren afhankelijk van beperkte trainingsgegevens.

De nieuwe dataset biedt de robuustere trainingsgegevens die AI-modellen nu kunnen gebruiken om nieuwe ontwerpen te maken of de aerodynamica van bestaande ontwerpen te testen. Dit kan vervolgens worden gebruikt om de efficiëntie en het bereik van de EV te berekenen zonder dat er een fysiek prototype nodig is.