Los ingenieros del MIT han creado más de 8.000 modelos de vehículos eléctricos (EV) que se pueden combinar con inteligencia artificial (IA) para construir rápidamente automóviles en el futuro.
Llamada «DrivAerNet++», esta base de datos de código abierto incluye diseños basados en los tipos de automóviles más comunes en la actualidad, dijeron los ingenieros, presentados como modelos 3D que incorporan información como qué tan aerodinámico es el diseño.
Coches electricos He estado aquí desde más de 100 añospero su popularidad se ha disparado recientemente. Diseñar estos automóviles lleva a las empresas varios años, recursos, iteraciones y revisiones hasta llegar a un diseño final a partir del cual pueden construir un prototipo físico.
Debido a su carácter propietario, las especificaciones y resultados de estas pruebas (así como la aerodinámica de los prototipos) son privados. Eso significa que los avances significativos en la autonomía de los vehículos eléctricos o en la eficiencia energética pueden ser lentos, dijeron los científicos.
La nueva base de datos, sin embargo, pretende acelerar exponencialmente la búsqueda de mejores modelos de coches.
Esta biblioteca digital de diseños de automóviles incluye datos detallados sobre especificaciones y aerodinámica. Esta biblioteca digital podría utilizarse para generar nuevos modelos de coches eléctricos si se combina con modelos de IA en el futuro, dijeron los investigadores.
Los ingenieros dijeron que al agilizar un proceso largo, los fabricantes pueden desarrollar diseños de vehículos eléctricos más rápido que nunca.
Relacionado: El nuevo algoritmo de IA en el automóvil puede detectar conductores ebrios escaneando constantemente sus rostros en busca de signos de intoxicación
El equipo presentó un artículo que se subió el 13 de junio a la preimpresión. arXiv base de datos, que describe el conjunto de datos y cómo se puede combinar con tecnologías de IA. Describieron el trabajo. Conferencia NeurIPS en Vancouver en diciembre. A
Usando IA para crear diseños automotrices en segundos
El conjunto de datos creado por los investigadores produjo 39 terabytes de datos y consumió 3 millones de horas de CPU con el Supernube del MIT — un grupo de computadoras de alta potencia utilizadas para investigaciones científicas y accesibles de forma remota.
El equipo aplicó un algoritmo que cambió sistemáticamente 26 parámetros, incluida la longitud del vehículo, las características de los bajos, la forma de la banda de rodadura y las ruedas y la inclinación del parabrisas para cada modelo de automóvil básico. También ejecutaron un algoritmo que determinaba si un diseño recién generado era una copia de algo que ya existía o era realmente nuevo.
Luego, cada diseño 3D se convirtió a diferentes formatos legibles, incluida una malla, una nube de puntos o simplemente una lista de dimensiones y especificaciones. Finalmente, realizaron complejas simulaciones de dinámica de fluidos para calcular cómo fluiría el aire alrededor de cada diseño generado.
«El proceso avanzado es tan caro que los fabricantes sólo pueden modificar ligeramente un coche de una versión a otra», añadió Faez Ahmedprofesor asistente de ingeniería mecánica en el MIT, en un declaración. «Pero si tiene conjuntos de datos más grandes donde sabe cómo funciona cada diseño, ahora puede entrenar modelos de aprendizaje automático para que se repitan rápidamente, de modo que sea más probable obtener un mejor diseño».
Mohamed Elrefaieestudiante de ingeniería mecánica en el MIT, dijo en el comunicado que el conjunto de datos podría ayudar a reducir los costos de investigación y desarrollo y acelerar el progreso. Añadió que acelerar el proceso de diseño también ayudaría al clima si permitiera que vehículos más eficientes llegaran antes a los consumidores. La clave para esta aceleración del diseño es la integración con herramientas de inteligencia artificial. El conjunto de datos permite entrenar un modelo de IA generativa para «hacer cosas en segundos en lugar de horas», añadió Ahmed.
Los modelos de IA más antiguos podían generar diseños aparentemente optimizados, pero se basaban en datos de entrenamiento limitados.
El nuevo conjunto de datos proporciona datos de entrenamiento más sólidos que los modelos de IA ahora pueden usar para crear nuevos diseños o probar la aerodinámica de los existentes. Esto luego se puede utilizar para calcular la eficiencia y la autonomía del vehículo eléctrico sin necesidad de un prototipo físico.
