El mayor conjunto de datos de
diseño de coches de código abierto puede acelerar el desarrollo de EV
Quieres diseñar el coche del futuro? hay 8.000 diseños para empezar.
Original: https://news.mit.edu/2024/design-future-car-with-8000-design-options-1205
Los ingenieros del MIT desarrollaron 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 del combustible o la autonomía de los
vehículos eléctricos, pueden ser lentos y estar aislados de una empresa a otra.
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 afeitar 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
ensamblado 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: speedback (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 espaldas contundentes
y 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 rodadura 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 ejecutaron 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 introducir en
el modelo un diseño de automóvil específico y hacer que calcule rápidamente la
aerodinámica del diseño, que luego se puede utilizar para calcular la posible
eficiencia de combustible o la autonomía eléctrica del automóvil, todo ello sin
tener que realizar una costosa construcción y prueba de un automóvil 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.
El conjunto de datos es muy completo y consiste en un
conjunto diverso de modalidades que son valiosas para entender tanto el estilo
como el rendimiento, dice Yanxia Zhang, científica senior de investigación de
aprendizaje automático del Instituto de Investigación Toyota, que no participó
en el estudio.
Este trabajo fue apoyado, en parte, por el Servicio Alemán
de Intercambio Académico y el Departamento de Ingeniería Mecánica del MIT.
--------------------------------------------
Ricardo Berizzo
Ingeniero Electricista
2025.-
