Autodesign ist ein iterativer und proprietärer Prozess. Automobilhersteller können mehrere Jahre in der Designphase eines Autos verbringen und 3D-Formen in Simulationen optimieren, bevor sie die vielversprechendsten Designs für physische Assessments entwickeln. Die Particulars und Spezifikationen dieser Assessments, einschließlich der Aerodynamik eines bestimmten Fahrzeugdesigns, werden normalerweise nicht veröffentlicht. Bedeutende Leistungsfortschritte, etwa bei der Kraftstoffeffizienz oder der Reichweite von Elektrofahrzeugen, können daher langsam und von Unternehmen zu Unternehmen isoliert erfolgen.
MIT-Ingenieure sagen, dass die Suche nach besseren Autodesigns durch den Einsatz generativer künstlicher Intelligenz-Instruments, die riesige Datenmengen in Sekundenschnelle durchsuchen und Verbindungen finden können, um ein neuartiges Design zu generieren, exponentiell beschleunigt werden kann. Obwohl es solche KI-Instruments gibt, waren die Daten, aus denen sie lernen müssten, nicht verfügbar, zumindest nicht in irgendeiner zugänglichen, zentralisierten Kind.
Doch nun haben die Ingenieure einen solchen Datensatz erstmals der Öffentlichkeit zugänglich gemacht. Der Datensatz mit dem Namen DrivAerNet++ umfasst mehr als 8.000 Fahrzeugdesigns, die die Ingenieure auf der Grundlage der heute weltweit gängigsten Fahrzeugtypen erstellt haben. Jedes Design wird in 3D-Kind dargestellt und enthält Informationen zur Aerodynamik des Autos – die Artwork und Weise, wie Luft um ein bestimmtes Design strömen würde, basierend auf Simulationen der Fluiddynamik, die die Gruppe für jedes Design durchgeführt hat.
Bildnachweis: Mit freundlicher Genehmigung von Mohamed Elrefaie
Jeder der 8.000 Entwürfe des Datensatzes ist in verschiedenen Darstellungen verfügbar, z. B. als Netz, Punktwolke oder als einfache Liste der Parameter und Abmessungen des Entwurfs. Daher kann der Datensatz von verschiedenen KI-Modellen verwendet werden, die darauf abgestimmt sind, Daten in einer bestimmten Modalität zu verarbeiten.
DrivAerNet++ ist der größte Open-Supply-Datensatz zur Fahrzeugaerodynamik, der bisher entwickelt wurde. Die Ingenieure stellen sich den Einsatz als umfangreiche Bibliothek realistischer Fahrzeugdesigns mit detaillierten Aerodynamikdaten vor, mit denen jedes KI-Modell schnell trainiert werden kann. Diese Modelle können dann genauso schnell neuartige Designs hervorbringen, die möglicherweise zu kraftstoffeffizienteren Autos und Elektrofahrzeugen mit größerer Reichweite führen könnten, und das in einem Bruchteil der Zeit, die die Automobilindustrie heute benötigt.
„Dieser Datensatz legt den Grundstein für die nächste Era von KI-Anwendungen im Ingenieurwesen, fördert effiziente Designprozesse, senkt F&E-Kosten und treibt Fortschritte in Richtung einer nachhaltigeren Automobilzukunft voran“, sagt Mohamed Elrefaie, ein Doktorand des Maschinenbaus am MIT.
Elrefaie und seine Kollegen werden auf der NeurIPS-Konferenz im Dezember ein Papier vorstellen, in dem der neue Datensatz und KI-Methoden, die darauf angewendet werden könnten, detailliert beschrieben werden. Seine Co-Autoren sind Faez Ahmed, Assistenzprofessor für Maschinenbau am MIT, zusammen mit Angela Dai, außerordentliche Professorin für Informatik an der Technischen Universität München, und Florin Marar von BETA CAE Methods.
Die Datenlücke schließen
Ahmed leitet das Design Computation and Digital Engineering Lab (DeCoDE) am MIT, wo seine Gruppe Möglichkeiten erforscht, wie KI und maschinelle Lernwerkzeuge zur Verbesserung des Designs komplexer technischer Systeme und Produkte, einschließlich der Automobiltechnologie, eingesetzt werden können.
„Beim Design eines Autos ist der Vorwärtsprozess oft so teuer, dass Hersteller ein Auto von einer Model zur nächsten nur ein wenig optimieren können“, sagt Ahmed. „Aber wenn Sie über größere Datensätze verfügen, in denen Sie die Leistung jedes Designs kennen, können Sie jetzt Modelle für maschinelles Lernen so trainieren, dass sie schnell iterieren, sodass die Wahrscheinlichkeit größer ist, dass Sie ein besseres Design erhalten.“
Und Geschwindigkeit, insbesondere bei der Weiterentwicklung der Automobiltechnologie, ist jetzt besonders dringend.
„Dies ist die beste Zeit, um Autoinnovationen voranzutreiben, da Autos einer der größten Umweltverschmutzer der Welt sind und je schneller wir diesen Beitrag reduzieren können, desto mehr können wir dem Klima helfen“, sagt Elrefaie.
Bei der Betrachtung des Prozesses des Neuwagendesigns stellten die Forscher fest, dass es zwar KI-Modelle gibt, die viele Autodesigns durchlaufen könnten, um optimale Designs zu generieren, die tatsächlich verfügbaren Autodaten jedoch begrenzt sind. Einige Forscher hatten zuvor kleine Datensätze simulierter Autodesigns zusammengestellt, während Automobilhersteller selten die Spezifikationen der tatsächlichen Designs veröffentlichen, die sie untersuchen, testen und letztendlich herstellen.
Das Staff wollte die Datenlücke schließen, insbesondere im Hinblick auf die Aerodynamik eines Autos, die eine Schlüsselrolle bei der Festlegung der Reichweite eines Elektrofahrzeugs spielt, und die Kraftstoffeffizienz eines Verbrennungsmotors. Sie erkannten, dass die Herausforderung darin bestand, einen Datensatz aus Tausenden von Autodesigns zusammenzustellen, von denen jedes in seiner Funktion und Kind physikalisch korrekt ist, ohne den Vorteil, ihre Leistung physisch testen und messen zu müssen.
Um einen Datensatz von Autodesigns mit physikalisch genauen Darstellungen ihrer Aerodynamik zu erstellen, begannen die Forscher mit mehreren grundlegenden 3D-Modellen, die 2014 von Audi und BMW bereitgestellt wurden. Diese Modelle repräsentieren drei Hauptkategorien von Personenkraftwagen: Fastback (Limousinen mit geneigtem Heck). Ende), Stufenheck (Limousinen oder Coupés mit einer leichten Neigung im Heckprofil) und Kombi (z. B. Kombis mit stumpferen, flacheren Hecken). Die Basismodelle sollen die Lücke zwischen einfachen Designs und komplizierteren proprietären Designs schließen und wurden von anderen Gruppen als Ausgangspunkt für die Erforschung neuer Autodesigns verwendet.
Autobibliothek
In ihrer neuen Studie wandte das Staff eine Morphing-Operation auf jedes der Basisautomodelle an. Bei diesem Vorgang wurden systematisch geringfügige Änderungen an jedem der 26 Parameter eines bestimmten Fahrzeugdesigns vorgenommen, beispielsweise an der Länge, den Merkmalen des Unterbodens, der Neigung der Windschutzscheibe und der Radlauffläche, die dann als eigenständiges Fahrzeugdesign gekennzeichnet und dann dem Wachstum hinzugefügt wurden Datensatz. In der Zwischenzeit führte das Staff einen Optimierungsalgorithmus durch, um sicherzustellen, dass jedes neue Design tatsächlich einzigartig und keine Kopie eines bereits generierten Designs warfare. Anschließend übersetzten sie jeden 3D-Entwurf in verschiedene Modalitäten, sodass ein bestimmter Entwurf als Netz, Punktwolke oder Liste von Abmessungen und Spezifikationen dargestellt werden kann.
Die Forscher führten außerdem komplexe rechnergestützte Strömungssimulationen durch, um zu berechnen, wie die Luft um jedes generierte Autodesign strömen würde. Letztendlich entstanden durch diese Bemühungen mehr als 8.000 verschiedene, physikalisch genaue 3D-Autoformen, die die gängigsten Arten von Personenkraftwagen auf der heutigen Straße umfassen.
Um diesen umfassenden Datensatz zu erstellen, haben die Forscher über 3 Millionen CPU-Stunden mit der MIT SuperCloud verbracht und 39 Terabyte an Daten generiert. (Zum Vergleich wird geschätzt, dass die gesamte gedruckte Sammlung der Library of Congress etwa 10 Terabyte an Daten umfassen würde.)
Die Ingenieure sagen, dass Forscher den Datensatz nun verwenden können, um ein bestimmtes KI-Modell zu trainieren. Beispielsweise könnte ein KI-Modell anhand eines Teils des Datensatzes trainiert werden, um Fahrzeugkonfigurationen zu erlernen, die bestimmte gewünschte Aerodynamik aufweisen. Innerhalb von Sekunden könnte das Modell dann ein neues Autodesign mit optimierter Aerodynamik generieren, basierend auf den Erkenntnissen aus den Tausenden physikalisch korrekten Designs des Datensatzes.
Die Forscher sagen, dass der Datensatz auch für das umgekehrte Ziel verwendet werden könnte. Beispielsweise könnten Designer, nachdem sie ein KI-Modell anhand des Datensatzes trainiert haben, dem Modell ein bestimmtes Autodesign zuführen und es schnell die Aerodynamik des Designs schätzen lassen, die dann zur Berechnung der potenziellen Kraftstoffeffizienz oder der elektrischen Reichweite des Autos verwendet werden kann – und das alles ohne Durchführung teures Bauen und Testen eines physischen Autos.
„Mit diesem Datensatz können Sie generative KI-Modelle so trainieren, dass sie Dinge in Sekunden statt in Stunden erledigen“, sagt Ahmed. „Diese Modelle können dazu beitragen, den Kraftstoffverbrauch von Fahrzeugen mit Verbrennungsmotor zu senken und die Reichweite von Elektroautos zu erhöhen – und damit letztendlich den Weg für nachhaltigere, umweltfreundlichere Fahrzeuge zu ebnen.“
Diese Arbeit wurde teilweise vom Deutschen Akademischen Austauschdienst und der Fakultät für Maschinenbau des MIT unterstützt.