طراحی خودرو یک فرآیند تکراری و اختصاصی است. خودروسازان می توانند چندین سال در مرحله طراحی یک خودرو وقت بگذارند و قبل از ساختن امیدوارکننده ترین طرح ها برای آزمایش فیزیکی، فرم های سه بعدی را در شبیه سازی ها تغییر دهند. جزئیات و مشخصات این آزمایش‌ها، از جمله آیرودینامیک طراحی یک خودرو، معمولاً به اطلاع عموم نمی‌رسد. بنابراین، پیشرفت‌های قابل توجه در عملکرد، مانند بهره‌وری سوخت یا محدوده خودروهای الکتریکی، می‌تواند آهسته باشد و از شرکتی به شرکت دیگر متوقف شود.
مهندسان MIT می گویند که جستجو برای طرح های بهتر خودرو می تواند با استفاده از ابزارهای هوش مصنوعی مولد که می توانند حجم عظیمی از داده ها را در چند ثانیه شخم بزنند و اتصالاتی را برای ایجاد یک طرح جدید پیدا کنند، به طور تصاعدی افزایش می یابد. در حالی که چنین ابزارهای هوش مصنوعی وجود دارند، داده هایی که آنها باید از آنها بیاموزند، حداقل به هر شکل قابل دسترس و متمرکزی در دسترس نبوده است.
اما اکنون، مهندسان برای اولین بار چنین مجموعه داده ای را در دسترس عموم قرار داده اند. این مجموعه داده که DrivAerNet++ نامیده می شود، بیش از 8000 طرح خودرو را در بر می گیرد که مهندسان بر اساس رایج ترین انواع خودروهای امروزی در جهان ایجاد کرده اند. هر طرح به شکل سه بعدی نشان داده شده است و شامل اطلاعاتی در مورد آیرودینامیک خودرو است – روشی که هوا در اطراف یک طرح مشخص جریان دارد، بر اساس شبیه‌سازی‌های دینامیک سیال که گروه برای هر طراحی انجام داده است.
هر یک از 8000 طرح مجموعه داده در چندین نمایش، مانند مش، ابر نقطه، یا یک لیست ساده از پارامترها و ابعاد طرح موجود است. به این ترتیب، مجموعه داده را می توان توسط مدل های هوش مصنوعی مختلف که برای پردازش داده ها در یک روش خاص تنظیم شده اند، استفاده کرد.
DrivAerNet++ بزرگترین مجموعه داده منبع باز برای آیرودینامیک خودرو است که تا به امروز توسعه یافته است. مهندسان تصور می کنند که از آن به عنوان یک کتابخانه گسترده از طرح های واقعی خودرو، با داده های آیرودینامیک دقیق که می تواند برای آموزش سریع هر مدل هوش مصنوعی استفاده شود، استفاده شود. این مدل‌ها می‌توانند به همان سرعت طرح‌های جدیدی تولید کنند که به طور بالقوه می‌تواند منجر به خودروهای کم‌مصرف‌تر و خودروهای الکتریکی با برد طولانی‌تر شود، در کسری از زمانی که صنعت خودروسازی امروزی می‌برد.
محمد الرفایی، دانشجوی فارغ التحصیل مهندسی مکانیک در MIT می گوید: «این مجموعه داده پایه و اساس نسل بعدی برنامه های کاربردی هوش مصنوعی در مهندسی، ترویج فرآیندهای طراحی کارآمد، کاهش هزینه های تحقیق و توسعه، و پیشبرد پیشرفت ها به سمت آینده خودرویی پایدارتر را ایجاد می کند.
الرفای و همکارانش در کنفرانس NeurIPS در ماه دسامبر، مقاله‌ای را ارائه خواهند کرد که جزئیات مجموعه داده‌های جدید و روش‌های هوش مصنوعی را که می‌توان در آن اعمال کرد، ارائه خواهد کرد. نویسندگان همکار او فائز احمد، استادیار مهندسی مکانیک در MIT، به همراه آنجلا دای، دانشیار علوم کامپیوتر در دانشگاه فنی مونیخ، و فلورین مارار از BETA CAE Systems هستند.
پر کردن شکاف داده ها
احمد رهبری آزمایشگاه محاسبات طراحی و مهندسی دیجیتال (DeCoDE) در MIT را بر عهده دارد، جایی که گروه او راه‌هایی را بررسی می‌کند که در آن هوش مصنوعی و ابزارهای یادگیری ماشینی می‌توانند برای بهبود طراحی سیستم‌ها و محصولات مهندسی پیچیده، از جمله فناوری خودرو استفاده شوند.
احمد می‌گوید: «اغلب هنگام طراحی یک خودرو، روند رو به جلو آنقدر گران است که سازندگان فقط می‌توانند خودرو را کمی از یک نسخه به نسخه دیگر تغییر دهند. اما اگر مجموعه داده‌های بزرگ‌تری دارید که عملکرد هر طرح را می‌دانید، اکنون می‌توانید مدل‌های یادگیری ماشینی را برای تکرار سریع آموزش دهید تا طرح بهتری داشته باشید.
و سرعت، به‌ویژه برای پیشرفت فناوری خودرو، اکنون به‌ویژه فشار می‌آورد.
الرفایی می‌گوید: «این بهترین زمان برای تسریع نوآوری‌های خودرو است، زیرا خودروها یکی از بزرگترین آلاینده‌ها در جهان هستند و هر چه سریع‌تر بتوانیم این سهم را از بین ببریم، بیشتر می‌توانیم به آب و هوا کمک کنیم.»
در بررسی فرآیند طراحی خودروی جدید، محققان دریافتند، در حالی که مدل‌های هوش مصنوعی وجود دارند که می‌توانند از طرح‌های بسیاری خودروها برای تولید طرح‌های بهینه استفاده کنند، داده‌های خودرو که در واقع در دسترس هستند محدود است. برخی از محققان قبلا مجموعه داده‌های کوچکی از طرح‌های شبیه‌سازی شده خودرو جمع‌آوری کرده بودند، در حالی که خودروسازان به ندرت مشخصات طرح‌های واقعی را که بررسی، آزمایش و در نهایت تولید می‌کنند منتشر می‌کنند.
این تیم به دنبال پر کردن شکاف داده‌ها، به‌ویژه در رابطه با آیرودینامیک خودرو، که نقشی کلیدی در تنظیم برد خودروی الکتریکی و راندمان سوخت یک موتور احتراق داخلی دارد، بود. آنها متوجه شدند که چالش در جمع آوری مجموعه داده ای از هزاران طرح خودرو است که هر کدام از نظر عملکرد و شکل دقیق از نظر فیزیکی هستند، بدون اینکه از آزمایش فیزیکی و اندازه گیری عملکرد آنها بهره مند شوند.
برای ساخت مجموعه داده ای از طرح های خودرو با نمایش های فیزیکی دقیق از آیرودینامیک آن ها، محققان با چندین مدل سه بعدی پایه که توسط آئودی و BMW در سال 2014 ارائه شد، شروع کردند. این مدل ها سه دسته اصلی خودروهای سواری را نشان می دهند: فست بک (سدان هایی با پشت شیب دار). انتهایی)، ناچ بک (سدان ها یا کوپه ها با اندکی فرورفتگی در نمای عقب) و استاتب
ack (مانند استیشن واگن هایی با پشتی صاف تر). تصور می‌شود که مدل‌های پایه شکاف بین طرح‌های ساده و طرح‌های اختصاصی پیچیده‌تر را پر می‌کنند و توسط گروه‌های دیگر به عنوان نقطه شروعی برای بررسی طرح‌های جدید خودرو استفاده شده‌اند.
کتابخانه ماشین ها
در مطالعه جدید خود، این تیم یک عملیات شکل‌گیری را برای هر یک از مدل‌های خودروی پایه اعمال کردند. این عملیات به طور سیستماتیک تغییر جزئی در هر یک از 26 پارامتر در یک طراحی خودرو ایجاد کرد، مانند طول، ویژگی‌های زیر بدنه، شیب شیشه جلو و آج چرخ، که سپس آن را به عنوان یک طرح متمایز خودرو نامگذاری کرد، که سپس به طرح رو به رشد اضافه شد. مجموعه داده در همین حال، تیم یک الگوریتم بهینه‌سازی را اجرا کرد تا اطمینان حاصل کند که هر طرح جدید واقعاً متمایز است، نه کپی از طرحی که قبلاً ایجاد شده است. سپس آنها هر طرح سه بعدی را به روش های مختلف ترجمه کردند، به طوری که یک طرح معین را می توان به صورت مش، ابر نقطه ای یا لیستی از ابعاد و مشخصات نشان داد.
محققان همچنین شبیه‌سازی‌های پیچیده و محاسباتی دینامیک سیالات را برای محاسبه چگونگی جریان هوا در اطراف هر طرح تولید شده خودرو اجرا کردند. در پایان، این تلاش بیش از 8000 فرم ماشین سه بعدی دقیق و متمایز را تولید کرد که رایج ترین انواع خودروهای سواری امروزی را در بر می گیرد.
برای تولید این مجموعه داده جامع، محققان بیش از 3 میلیون ساعت CPU را با استفاده از MIT SuperCloud صرف کردند و 39 ترابایت داده تولید کردند. (برای مقایسه، تخمین زده می شود که کل مجموعه چاپی کتابخانه کنگره حدود 10 ترابایت داده باشد.)
مهندسان می گویند که اکنون محققان می توانند از مجموعه داده برای آموزش یک مدل هوش مصنوعی خاص استفاده کنند. به عنوان مثال، یک مدل هوش مصنوعی می‌تواند بر روی بخشی از مجموعه داده آموزش داده شود تا پیکربندی‌های خودرویی را که دارای آیرودینامیک مطلوب هستند، بیاموزد. در عرض چند ثانیه، این مدل می‌تواند یک طرح خودروی جدید با آیرودینامیک بهینه‌شده، بر اساس آنچه از هزاران طرح دقیق فیزیکی مجموعه داده‌ها آموخته است، ایجاد کند.
محققان می گویند این مجموعه داده می تواند برای هدف معکوس نیز استفاده شود. به عنوان مثال، پس از آموزش یک مدل هوش مصنوعی بر روی مجموعه داده، طراحان می‌توانند به مدل یک طرح خاص خودرو داده و به سرعت آیرودینامیک طرح را تخمین بزنند، که سپس می‌تواند برای محاسبه بازده سوخت بالقوه یا برد الکتریکی خودرو – همه بدون انجام آن استفاده شود. ساخت و تست گران قیمت یک ماشین فیزیکی
احمد می گوید: «آنچه که این مجموعه داده به شما امکان می دهد انجام دهید این است که مدل های هوش مصنوعی مولد را آموزش دهید تا کارها را در چند ثانیه انجام دهند تا چند ساعت. این مدل‌ها می‌توانند به کاهش مصرف سوخت برای خودروهای احتراق داخلی و افزایش برد خودروهای الکتریکی کمک کنند و در نهایت راه را برای خودروهای پایدارتر و سازگار با محیط‌زیست هموار کنند.
Yanxia Zhang، دانشمند ارشد تحقیقات یادگیری ماشین در موسسه تحقیقاتی تویوتا، که در این مطالعه شرکت نداشت، می‌گوید: «مجموعه داده بسیار جامع است و شامل مجموعه‌ای از روش‌ها است که برای درک استایل و عملکرد ارزشمند هستند.
این کار تا حدی توسط سرویس تبادل دانشگاهی آلمان و دپارتمان مهندسی مکانیک MIT پشتیبانی شد.
منبع:news.google