Сможет ли ИИ найти идеальный дизайн автомобиля?

Когда вы совершаете покупку по ссылкам в наших статьях, Future и ее партнеры по синдикации могут получать комиссию.

ИИ трансформирует многие творческие области, и автомобильная промышленность — это тот сектор, который особенно воодушевлен его потенциалом. Создание нового автомобиля требует огромных затрат и времени из-за большого количества итераций, необходимых для сначала проектирования, а затем создания прототипа автомобиля.

Дизайн электромобилей также часто вызывает споры: от неудачного дизайна Tesla Cybertruck до смелого концепта Jaguar Type 00. Лишь недавно мы увидели проблемы, с которыми столкнулись Кибертрак в снегу. Но исследователи из Массачусетского технологического института считают, что искусственный интеллект может помочь в разработке идеального электромобиля, и они создали базу данных с открытым исходным кодом.

База данных DrivAerNet++ была составлена ​​из 39 терабайт данных, что потребовало 3 миллионов часов работы центрального процессора в Массачусетский технологический институт Супероблако. Он включает в себя более 8000 3D-моделей, основанных на конструкциях существующих автомобилей, созданных с помощью алгоритма, который корректирует 26 параметров, от длины автомобиля до особенностей днища кузова, наклона лобового стекла, протектора и формы колес для каждой базовой модели.

Команда также запустила алгоритм, чтобы определить, является ли новый дизайн копией уже существующего автомобиля или новым дизайном. Затем 3D-проекты были преобразованы в читаемые форматы: сетка, облако точек и список размеров и спецификаций. Моделирование динамики жидкости было проведено для расчета того, как воздух будет обтекать каждую созданную конструкцию, чтобы предоставить спецификации по аэродинамике.

Идея состоит в том, что набор данных можно использовать для обучения модели искусственного интеллекта, которая затем сможет искать наилучшее сочетание функций, от аэродинамического дизайна до эффективного и экологичного двигателя, что позволит сократить затраты на исследования и разработки и ускорить проектирование автомобилей. .

Фаез Ахмед, доцент кафедры машиностроения в Массачусетском технологическом институте, сказал: «Прямой процесс настолько дорог, что производители могут лишь немного настроить автомобиль от одной версии к другой. Но если у вас есть большие наборы данных, где вы знаете производительность каждой дизайн, теперь вы можете обучить модели машинного обучения быстрой итерации, чтобы у вас было больше шансов получить лучший дизайн».

Команда описала свой бумага в Конференция НейрИПС в Ванкувере в декабре.