|
|
汽车设计是一个反复且专有的过程。汽车制造商可能要花数年时间进行汽车设计，在模拟中调整 3D 形状，然后才能打造出最有前途的设计进行物理测试。这些测试的细节和规格，包括特定汽车设计的空气动力学，通常不会公开。因此，性能方面的重大进步（例如燃油效率或电动汽车续航里程）可能会进展缓慢，并且各个公司之间是孤立的。
麻省理工学院的工程师们表示，通过使用生成式人工智能工具，寻找更好的汽车设计的速度可以成倍加快，这些工具可以在几秒钟内处理大量数据并找到联系以生成新颖的设计。虽然这样的人工智能工具已经存在，但它们需要学习的数据尚未可用，至少没有以任何可访问的、集中的形式提供。
但现在，工程师们首次向公众开放了这样一个数据集。该数据集被称为 DrivAerNet++，涵盖了 8,000 多种汽车设计，这些设计是工程师们根据当今世界上最常见的汽车类型生成的。这项研究发表在arXiv上。
每个设计都以 3D 形式呈现，并包含有关汽车空气动力学的信息，即基于该小组对每个设计进行的流体动力学模拟，空气在给定设计周围流动的方式。
该数据集的 8,000 个设计均有多种表示形式，例如网格、点云或设计参数和尺寸的简单列表。因此，该数据集可供经过调整以处理数据的不同 AI 模型使用。
DrivAerNet++ 是迄今为止开发的最大的汽车空气动力学开源数据集。工程师们设想将其用作一个包含真实汽车设计的庞大库，其中包含详细的空气动力学数据，可用于快速训练任何 AI 模型。然后，这些模型可以同样快速地生成新颖的设计，从而有可能打造出更省油的汽车和续航里程更长的电动汽车，而所需时间仅为当今汽车行业所需时间的一小部分。
麻省理工学院机械工程研究生 Mohamed Elrefaie 表示：“该数据集为下一代工程人工智能应用奠定了基础，促进了高效的设计流程，降低了研发成本，并推动了汽车行业向更可持续的未来迈进。”
Ahmed 领导麻省理工学院的设计计算和数字工程实验室 (DeCoDE)，他的团队探索如何使用人工智能和机器学习工具来增强复杂工程系统和产品（包括汽车技术）的设计。
Ahmed 表示：“在设计汽车时，前向过程通常非常昂贵，制造商只能对汽车从一个版本到下一个版本进行一些调整。但如果你拥有更大的数据集，并且了解每种设计的性能，那么现在你可以训练机器学习模型进行快速迭代，这样你就更有可能获得更好的设计。”
而速度，特别是对于先进的汽车技术而言，现在尤为紧迫。
“这是加速汽车创新的最佳时机，因为汽车是世界上最大的污染源之一，我们越快减少对环境的污染，就越能帮助改善气候，”Elrefaie 说。
在研究新车设计过程时，研究人员发现，虽然有人工智能模型可以对许多汽车设计进行分析，以生成最佳设计，但实际可用的汽车数据有限。一些研究人员之前已经收集了模拟汽车设计的小型数据集，而汽车制造商很少发布他们探索、测试和最终制造的实际设计的规格。
该团队试图填补数据空白，特别是关于汽车空气动力学的数据，这对确定电动汽车的续航里程和燃油效率起着关键作用起着关键作用。他们意识到，挑战在于收集数千种汽车设计的数据集，每种设计的功能和形式都是物理上准确的，而无需对其进行物理测试和性能测量。
为了构建一个能够精确表征空气动力学特性的汽车设计数据集，研究人员首先从奥迪和宝马在 2014 年提供的几个基础 3D 模型入手。这些模型代表了三大类乘用车：快背式（后端倾斜的轿车）、三厢式（后部轮廓略微倾斜的轿车或双门轿跑车）和旅行车（如后部更平整、更平坦的旅行车）。
基准模型被认为弥合了简单设计与更复杂的专有设计之间的差距，并已被其他团体用作探索新车设计的起点。
汽车图书馆
在新研究中，该团队对每款基准车型都进行了变形操作。该操作系统地对给定汽车设计的 26 个参数（例如长度、车身底部特征、挡风玻璃倾斜度和车轮踏面）进行了细微更改，然后将其标记为独特的汽车设计，并添加到不断增长的数据集中。
同时，团队运行了优化算法，以确保每个新设计确实独一无二，而不是已生成设计的副本。然后，他们将每个 3D 设计转换成不同的模态，这样给定的设计就可以表示为网格、点云或尺寸和规格列表。
研究人员还进行了复杂的计算流体力学模拟，以计算空气在每辆生成的汽车设计周围的流动情况。最终，这项工作产生了 8,000 多种独特、物理上准确的 3D 汽车造型，涵盖了当今道路上最常见的乘用车类型。
为了生成这个全面的数据集，研究人员使用 MIT SuperCloud 耗费了超过 300 万个 CPU 小时，并生成了 39 TB 的数据。（相比之下，据估计，美国国会图书馆的整个印刷藏书将达到约 10 TB 的数据。）
工程师们表示，研究人员现在可以使用该数据集来训练特定的 AI 模型。例如，可以在数据集的一部分上训练 AI 模型，以学习具有某些理想空气动力学的汽车配置。然后，该模型可以在几秒钟内根据从数据集的数千个物理精确设计中学到的知识，生成具有优化空气动力学的新汽车设计。
研究人员表示，该数据集还可用于实现相反的目标。例如，在数据集上训练 AI 模型后，设计师可以向该模型输入特定的汽车设计，并让其快速估算设计的空气动力学性能，然后可以用它来计算汽车的潜在燃油效率或电动续航里程——所有这些都无需花费大量金钱建造和测试实体汽车。
Ahmed 表示：“这个数据集可以让你训练生成式 AI 模型，使其在几秒钟内完成任务，而不是几个小时。这些模型可以帮助降低内燃机汽车的燃料消耗，增加电动汽车的续航里程，最终为更可持续、更环保的汽车铺平道路。”
|
|
发表于 2024-12-9 02:36:37
