El diseño de automóviles es un proceso iterativo y propietario. Los fabricantes de automóviles pueden pasar varios años en la fase de diseño de un automóvil, ajustando formas 3D en simulaciones antes de construir los diseños más prometedores para las pruebas físicas. Los detalles y especificaciones de estas pruebas, incluida la aerodinámica de un diseño de automóvil determinado, generalmente no se hacen públicos. Por lo tanto, los avances significativos en el rendimiento, como en la eficiencia del combustible o la autonomía de los vehículos eléctricos, pueden ser lentos y aislados de una empresa a otra.
Los ingenieros del MIT dicen que la búsqueda de mejores diseños de automóviles puede acelerarse exponencialmente con el uso de herramientas de inteligencia artificial generativa que pueden analizar enormes cantidades de datos en segundos y encontrar conexiones para generar un diseño novedoso. Si bien existen tales herramientas de inteligencia artificial, los datos de los que necesitarían aprender no han estado disponibles, al menos en algún tipo de forma accesible y centralizada.
Pero ahora, los ingenieros han puesto a disposición del público un conjunto de datos de este tipo por primera vez. Apodado DrivAerNet++, el conjunto de datos abarca más de 8.000 diseños de automóviles, que los ingenieros generaron basándose en los tipos de automóviles más comunes en el mundo actual. Cada diseño está representado en forma 3D e incluye información sobre la aerodinámica del automóvil: la forma en que el aire fluiría alrededor de un diseño determinado, basándose en simulaciones de dinámica de fluidos que el grupo llevó a cabo para cada diseño.
En un nuevo conjunto de datos que incluye más de 8.000 diseños de automóviles, los ingenieros del MIT simulan la aerodinámica de una forma de automóvil determinada, que representan en varias modalidades, incluidos «campos de superficie» (izquierda) y «líneas de corriente» (derecha).Crédito: Cortesía de Mohamed Elrefaie
Cada uno de los 8000 diseños del conjunto de datos está disponible en varias representaciones, como malla, nube de puntos o una lista simple de los parámetros y dimensiones del diseño. Como tal, el conjunto de datos puede ser utilizado por diferentes modelos de IA que estén ajustados para procesar datos en una modalidad particular.
DrivAerNet++ es el conjunto de datos de código abierto más grande sobre aerodinámica de automóviles que se ha desarrollado hasta la fecha. Los ingenieros imaginan que se utilizará como una extensa biblioteca de diseños de automóviles realistas, con datos aerodinámicos detallados que se pueden utilizar para entrenar rápidamente cualquier modelo de IA. Estos modelos pueden generar con la misma rapidez diseños novedosos que potencialmente podrían conducir a automóviles y vehículos eléctricos con mayor eficiencia de combustible y mayor autonomía, en una fracción del tiempo que le toma a 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 avances hacia un futuro automotriz más sostenible», afirma Mohamed Elrefaie, estudiante de postgrado en ingeniería mecánica en el MIT.
Elrefaie y sus colegas presentarán un artículo que detalla el nuevo conjunto de datos y los métodos de IA que podrían aplicarse a él en la conferencia NeurIPS de diciembre. Sus coautores son Faez Ahmed, profesor asistente de ingeniería mecánica en el MIT, junto con Angela Dai, profesora asociada de informática en la Universidad Técnica de Munich, y Florin Marar de BETA CAE Systems.
Llenando la brecha de datos
Ahmed dirige el Laboratorio de Ingeniería Digital y Computación de Diseño (DeCoDE) en el MIT, donde su grupo explora formas en que se pueden utilizar la inteligencia artificial y las herramientas de aprendizaje automático para mejorar el diseño de sistemas y productos de ingeniería complejos, incluida la tecnología automotriz.
“A menudo, cuando se diseña un automóvil, el proceso de avance es tan costoso que los fabricantes sólo pueden modificar un poco el automóvil de una versión a la siguiente”, dice Ahmed. «Pero si tiene conjuntos de datos más grandes donde conoce el rendimiento de cada diseño, ahora puede entrenar modelos de aprendizaje automático para que se repitan rápidamente, de modo que sea más probable obtener un mejor diseño».
Y la velocidad, particularmente para el avance de la tecnología automovilística, es particularmente apremiante ahora.
«Este es el mejor momento para acelerar las innovaciones en el sector automovilístico, ya que los automóviles son uno de los mayores contaminadores del mundo, y cuanto más rápido podamos reducir esa contribución, más podremos ayudar al clima», afirma Elrefaie.
Al observar el proceso de diseño de automóviles nuevos, los investigadores descubrieron que, si bien existen modelos de IA que podrían analizar muchos diseños de automóviles para generar diseños óptimos, los datos sobre automóviles que realmente están disponibles son limitados. Algunos investigadores habían reunido previamente pequeños conjuntos de datos de diseños de automóviles simulados, mientras que los fabricantes de automóviles rara vez publican las especificaciones de los diseños reales que exploran, prueban y, en última instancia, fabrican.
El equipo buscó llenar el vacío de datos, particularmente con respecto a la aerodinámica de un automóvil, que desempeña un papel clave en el establecimiento de la autonomía de un vehículo eléctrico, y la eficiencia del combustible de un motor de combustión interna. Se dieron cuenta de que el desafío consistía en reunir un conjunto de datos de miles de diseños de automóviles, cada uno de los cuales fuera físicamente preciso en su función y forma, sin el beneficio de probar y medir físicamente 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 básicos proporcionados por Audi y BMW en 2014. Estos modelos representan tres categorías principales de automóviles de pasajeros: fastback (sedanes con parte trasera inclinada extremo), notchback (sedanes o cupés con una ligera caída en su perfil trasero) y familiar (como camionetas con respaldos más planos y contundentes). Se cree que los modelos básicos cierran la brecha entre diseños simples y diseños patentados más complicados, y otros grupos los han utilizado como punto de partida para explorar nuevos diseños de automóviles.
biblioteca de autos
En su nuevo estudio, el equipo aplicó una operación de transformación a cada uno de los modelos de automóvil básicos. Esta operación realizó sistemáticamente un ligero cambio en cada uno de los 26 parámetros en un diseño de automóvil determinado, como su longitud, las características de los bajos, la pendiente del parabrisas y la banda de rodadura de las ruedas, que luego etiquetó como un diseño de automóvil distinto, que luego se agregó a la creciente conjunto de datos. Mientras tanto, el equipo ejecutó un algoritmo de optimización para garantizar que cada nuevo diseño fuera realmente distinto y no una copia de un diseño ya generado. Luego tradujeron cada diseño 3D a diferentes modalidades, de modo que un diseño determinado pueda representarse como una malla, una nube de puntos o una lista de dimensiones y especificaciones.
Los investigadores también realizaron complejas simulaciones computacionales de dinámica de fluidos para calcular cómo fluiría el aire alrededor de cada diseño de automóvil generado. Al final, este esfuerzo produjo más de 8.000 formas de automóviles en 3D distintas y físicamente precisas, que abarcan los tipos de automóviles de pasajeros más comunes que circulan en la actualidad.
Para producir este conjunto de datos completo, los investigadores dedicaron más de 3 millones de horas de CPU utilizando MIT SuperCloud y generaron 39 terabytes de datos. (A modo de comparación, se estima que toda la colección impresa de la Biblioteca del Congreso equivaldría 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 particular. Por ejemplo, se podría entrenar un modelo de IA con una parte del conjunto de datos para aprender configuraciones de automóviles que tengan cierta aerodinámica deseable. En cuestión de segundos, el modelo podría generar un nuevo diseño de automóvil con aerodinámica optimizada, basándose en lo que ha aprendido de los miles de diseños físicamente precisos del conjunto de datos.
Los investigadores dicen que el conjunto de datos también podría usarse para el objetivo inverso. Por ejemplo, después de entrenar un modelo de IA en el conjunto de datos, los diseñadores podrían alimentar el modelo con un diseño de automóvil específico y hacer que estime rápidamente la aerodinámica del diseño, que luego se puede usar para calcular la eficiencia potencial de combustible o la autonomía eléctrica del automóvil, todo sin llevar a cabo costosa construcción y prueba de un automóvil físico.
«Lo que este conjunto de datos permite hacer es entrenar modelos de IA generativa para que hagan cosas en segundos en lugar de horas», afirma Ahmed. «Estos modelos pueden ayudar a reducir el consumo de combustible de los vehículos de combustión interna y aumentar la autonomía de los coches eléctricos, allanando en última instancia el camino para vehículos más sostenibles y respetuosos con el medio ambiente».
Este trabajo fue apoyado, en parte, por el Servicio Alemán de Intercambio Académico y el Departamento de Ingeniería Mecánica del MIT.
