Ingenieros del MIT han desarrollado el mayor conjunto de datos de código abierto de diseños de automóviles, incluyendo su aerodinámica, que podría acelerar el diseño de automóviles ecológicos y vehículos eléctricos.

El diseño de coches es un proceso iterativo y privativo. Los fabricantes de automóviles pueden pasar varios años en la fase de diseño de un coche, retocando formularios 3D en simulaciones antes de construir los diseños más prometedores para pruebas físicas. Los detalles y las especificaciones de estas pruebas, incluyendo la aerodinámica de un diseño de coche dado, normalmente no se hacen públicos. Por lo tanto, los avances significativos en el rendimiento, como en la eficiencia de combustible o el rango de vehículos eléctricos, pueden ser lentos y silodados de empresa en compañía.

 

© Mohamed Elrefaie  / https://news.mit.edu

 

 

Los ingenieros del MIT dicen que la búsqueda de mejores diseños de coches puede acelerar exponencialmente con el uso de herramientas de inteligencia artificial generativa que pueden arar a través de enormes cantidades de datos en segundos y encontrar conexiones para generar un diseño novedoso. Si bien existen tales herramientas de IA, los datos de los que tendrían que aprender no se han disponía, al menos en ningún tipo de forma accesible y centralizada.

 

Pero ahora, los ingenieros han puesto a disposición del público por primera vez un conjunto de datos de este tipo. Apodado DrivAerNet, el conjunto de datos abarca más de 8.000 diseños de automóviles, que los ingenieros generaron en base a los tipos más comunes de coches en el mundo en la actualidad. Cada diseño está representado en forma 3D e incluye información sobre la aerodinámica de los coches, la forma en que el aire fluiría alrededor de un diseño dado, basado en simulaciones de dinámica de fluidos que el grupo llevó a cabo para cada diseño.
 

Cada uno de los diseños de los conjuntos de datos está disponible en varias representaciones, como malla, nube de puntos o una simple lista de los parámetros y dimensiones del diseño. Como tal, el conjunto de datos puede ser utilizado por diferentes modelos de IA que están sintonizados para procesar datos en una modalidad particular.

DrivAerNet es el mayor conjunto de datos de código abierto para la aerodinámica del automóvil que se ha desarrollado hasta la fecha. Los ingenieros imaginan que se utiliza como una extensa biblioteca de diseños realistas de automóviles, con datos detallados de aerodinámica que se pueden utilizar para entrenar rápidamente cualquier modelo de IA. Estos modelos pueden entonces generar rápidamente diseños novedosos que potencialmente podrían conducir a coches y vehículos eléctricos más eficientes en combustible con mayor alcance, en una fracción del tiempo que toma la industria automotriz hoy en día.

 

Este conjunto de datos sienta las bases para la próxima generación de aplicaciones de IA en ingeniería, promoviendo procesos de diseño eficientes, reduciendo los costos de I&D e impulsando los avances hacia un futuro automotriz más sostenible, dice Mohamed Elrefaie, estudiante de graduado en ingeniería mecánica en el MIT.

 

Elrefaie y sus colegas presentarán un documento en el que detallará el nuevo conjunto de datos, y los métodos de IA que podrían aplicarse a él, en la conferencia de NeurIPS en diciembre. Sus coautores son Faez Ahmed, profesor asistente de ingeniería mecánica en el MIT, junto con Angela Dai, profesora asociada de informática de la Universidad Técnica de Múnich, y Florin Marar de BETA CAE Systems.

 

Llenar la brecha de datos

Ahmed dirige el Laboratorio de Computación de Diseño e Ingeniería Digital (DeCoDE) en el MIT, donde su grupo explora formas de utilizar las herramientas de IA y de aprendizaje automático para mejorar el diseño de complejos sistemas y productos de ingeniería, incluida la tecnología de automóviles.

 

A menudo, al diseñar un coche, el proceso de delantero es tan caro que los fabricantes sólo pueden ajustar un poco el coche de una versión a la siguiente, dice Ahmed. Pero si tienes conjuntos de datos más grandes donde conoces el rendimiento de cada diseño, ahora puedes entrenar modelos de aprendizaje automático para iterar rápido, por lo que es más probable que consigas un mejor diseño.

 

Y la velocidad, particularmente para avanzar en la tecnología de automóviles, es particularmente apremiante ahora.

Este es el mejor momento para acelerar las innovaciones de automóviles, ya que los automóviles son uno de los mayores contaminadores del mundo, y cuanto más rápido podamos afear esa contribución, más podremos ayudar al clima, dice Elrefaie.

 

Al analizar el proceso de diseño de coches nuevos, los investigadores encontraron que, si bien hay modelos de IA que podrían atravesar muchos diseños de automóviles para generar diseños óptimos, los datos del coche que realmente están disponibles son limitados. Algunos investigadores habían ensamlado previamente pequeños conjuntos de datos de diseños de automóviles simulados, mientras que los fabricantes de automóviles rara vez liberan las especificaciones de los diseños reales que exploran, prueban y finalmente fabrican.

 

El equipo trató de llenar el vacío de datos, en particular con respecto a una aerodinámica de automóvil, que desempeña un papel clave en la fijación de la gama de un vehículo eléctrico, y la eficiencia de combustible de un motor de combustión interna. El reto, se dieron cuenta, era ensamblar un conjunto de datos de miles de diseños de automóviles, cada uno de los cuales es físicamente preciso en su función y forma, sin el beneficio de probar físicamente y medir su rendimiento.

 

Para construir un conjunto de datos de diseños de automóviles con representaciones físicamente precisas de su aerodinámica, los investigadores comenzaron con varios modelos 3D de referencia que fueron proporcionados por Audi y BMW en 2014. Estos modelos representan tres categorías principales de coches de pasajeros: rápido espalda (sedans con un extremo trasero inclinado), musgo (sedans o cupches con un ligero chapuzón en su perfil trasero) y finlineback (como vagones de estación con más contundentes, espaldas planas). Se cree que los modelos de referencia cierran la brecha entre diseños simples y diseños patentados más complicados, y han sido utilizados por otros grupos como punto de partida para explorar nuevos diseños de coches.

 

Biblioteca de automóviles

En su nuevo estudio, el equipo aplicó una operación de transformación a cada uno de los modelos de coches de referencia. Esta operación hizo sistemáticamente un ligero cambio en cada uno de los 26 parámetros en un diseño de coche dado, como su longitud, características inferiores, pendiente de parabrisas y banda de rodaja de rueda, que luego etiquetaba como un diseño de coche distinto, que luego se añadió al creciente conjunto de datos. Mientras tanto, el equipo llevó a cabo un algoritmo de optimización para asegurarse de que cada nuevo diseño era realmente distinto, y no una copia de un diseño ya generado. Luego tradujeron cada diseño 3D en diferentes modalidades, de tal manera que un diseño dado puede ser representado como una malla, una nube de puntos, o una lista de dimensiones y especificaciones.

 

Los investigadores también realizaron simulaciones complejas y computacionales de dinámicas de fluidos para calcular cómo fluiría el aire alrededor de cada diseño de coche generado. Al final, este esfuerzo produjo más de 8.000 formas de coches 3D distintas, físicamente precisas, que abarcan los tipos más comunes de turismos en la carretera actual.

Para producir este conjunto de datos exhaustivos, los investigadores pasaron más de 3 millones de horas de CPU usando el MIT SuperCloud, y generaron 39 terabytes de datos. (Para comparación, estimó que toda la colección impresa de la Biblioteca del Congreso ascendería a unos 10 terabytes de datos.)

 

Los ingenieros dicen que los investigadores ahora pueden usar el conjunto de datos para entrenar un modelo de IA en particular. Por ejemplo, un modelo de IA podría ser entrenado en una parte del conjunto de datos para aprender configuraciones de coches que tienen ciertas aerodinámicas deseables. En cuestión de segundos, el modelo podría generar un nuevo diseño de coches con aerodinámica optimizada, basado en lo que ha aprendido de los conjuntos de datos de miles de diseños físicamente precisos.

 

Los investigadores dicen que el conjunto de datos también podría ser utilizado para el objetivo inverso. Por ejemplo, después de entrenar un modelo de IA en el conjunto de datos, los diseñadores podrían alimentar el modelo de un diseño específico del coche y hacer que rápidamente calceñen la aerodinámica de diseño, que luego se puede utilizar para calcular la eficiencia potencial de combustible del coche o la gama eléctrica sin llevar a cabo costoso edificio y pruebas de un coche físico.

 

Lo que este conjunto de datos le permite es entrenar modelos de IA generativa para hacer cosas en segundos en lugar de horas, dice Ahmed. Estos modelos pueden ayudar a reducir el consumo de combustible para los vehículos de combustión interna y aumentar la gama de coches eléctricos, allanando en última instancia el camino para vehículos más sostenibles y respetuosos con el medio ambiente.

 

Más información en https://news.mit.edu

 

 

---

Volver al listado