想設計未來的汽車嗎？這裡有8,000個設計幫助你入門。 | 麻省理工學院新聞

汽車設計的進步

汽車設計是一個持續改進的過程。汽車製造商通常需要花幾年時間來設計一款汽車，會在模擬中調整3D形狀，然後選擇最有潛力的設計進行實體測試。這些測試的細節和規格，包括汽車設計的空氣動力學，通常不會公開。因此，汽車性能的重大進步，例如燃油效率或電動車的續航力，往往進展緩慢，並且各家公司之間的資訊相對隔離。

新技術的出現

麻省理工學院 (MIT) 的工程師表示，使用生成式人工智慧工具可以大幅加快尋找更好汽車設計的速度，這些工具能在幾秒鐘內處理大量數據，並找到關聯以生成新的設計。雖然這樣的人工智慧工具已經存在，但所需的數據過去並不容易獲得，至少沒有以可訪問的集中形式提供。

DrivAerNet++ 數據集

現在，這些工程師首次向公眾提供了這樣的數據集。這個名為 DrivAerNet++ 的數據集包含了超過8,000個汽車設計，這些設計是根據當今世界上最常見的汽車類型生成的。每個設計都以3D形式表示，並包含汽車的空氣動力學資訊——即根據流體動力學模擬，空氣如何流過特定設計。

數據集的用途

這個數據集中的8,000個設計可以以多種形式提供，例如網格、點雲或設計的參數和尺寸簡單列表。因此，這個數據集可以被不同的人工智慧模型使用，這些模型可以處理特定形式的數據。

DrivAerNet++ 是迄今為止最大的開源汽車空氣動力學數據集。工程師們希望它能作為一個廣泛的現實汽車設計庫，提供詳細的空氣動力學數據，快速訓練任何人工智慧模型。這些模型可以迅速生成新的設計，可能導致更省油的汽車和續航力更長的電動車，這一過程所需的時間遠少於當前汽車產業的設計時間。

未來的展望

麻省理工學院的機械工程研究生 Mohamed Elrefaie 說：“這個數據集為下一代工程中的人工智慧應用奠定了基礎，促進高效的設計過程，降低研發成本，推動朝向更可持續的汽車未來的進步。”

Elrefaie 和他的同事們將在12月的 NeurIPS 會議上發表一篇詳細介紹這個新數據集及其可應用的人工智慧方法的論文。他的共同作者包括麻省理工學院的機械工程助理教授 Faez Ahmed，以及慕尼黑工業大學的計算機科學副教授 Angela Dai 和 BETA CAE Systems 的 Florin Marar。

填補數據空白

Ahmed 在麻省理工學院領導設計計算與數位工程實驗室 (DeCoDE)，他的團隊探索如何利用人工智慧和機器學習工具來增強複雜工程系統和產品的設計，包括汽車技術。

Ahmed 說：“在設計汽車時，前期過程通常非常昂貴，因此製造商只能在不同版本之間進行小幅調整。但如果你擁有更大的數據集，知道每個設計的性能，就可以訓練機器學習模型快速迭代，更有可能獲得更好的設計。”

而且，特別是在推進汽車技術方面，速度現在尤其重要。

Elrefaie 說：“現在是加速汽車創新的最佳時機，因為汽車是全球最大的污染源之一，我們越快減少這一貢獻，就越能幫助氣候。”

汽車設計的挑戰

在研究新汽車設計的過程中，研究人員發現，雖然有人工智慧模型可以處理許多汽車設計以生成最佳設計，但實際上可用的汽車數據是有限的。一些研究人員之前組建了小型的模擬汽車設計數據集，而汽車製造商則很少公開他們探索、測試和最終製造的設計規格。

團隊試圖填補這一數據空白，特別是在汽車的空氣動力學方面，這對於設定電動車的續航力和內燃機的燃油效率至關重要。他們意識到，組建一個包含數千個汽車設計的數據集，每個設計在功能和形狀上都具有物理準確性，而不進行實體測試和性能測量，是一個挑戰。

汽車設計的庫存

為了建立一個具有物理準確性的汽車設計數據集，研究人員從2014年由奧迪 (Audi) 和寶馬 (BMW) 提供的幾個基準3D模型開始。這些模型代表了三大類乘用車：快背車（後面有斜坡的轎車）、轎背車（後面略微凹陷的轎車或跑車）和旅行車（如後面較平坦的旅行車）。這些基準模型被認為是簡單設計和更複雜專有設計之間的橋樑，並已被其他團隊用作探索新汽車設計的起點。

在新的研究中，團隊對每個基準汽車模型應用了變形操作。這個操作系統地對每個汽車設計中的26個參數進行了輕微的變更，例如長度、底盤特徵、擋風玻璃傾斜度和輪胎花紋，然後將其標記為一個獨特的汽車設計，並將其添加到不斷增長的數據集中。同時，團隊運行了一個優化算法，以確保每個新設計確實是獨特的，而不是已生成設計的複製品。他們還將每個3D設計轉換為不同的形式，使得特定設計可以表示為網格、點雲或尺寸和規格的列表。

研究人員還運行了複雜的計算流體動力學模擬，以計算空氣如何流過每個生成的汽車設計。最終，這項工作產生了超過8,000個獨特的、物理準確的3D汽車形狀，涵蓋了當今路上最常見的乘用車類型。

為了生成這個全面的數據集，研究人員使用麻省理工學院的超雲計算花費了超過300萬個CPU小時，並生成了39TB的數據。（相比之下，據估計，整個國會圖書館的印刷藏書約為10TB的數據。）

工程師們表示，研究人員現在可以使用這個數據集來訓練特定的人工智慧模型。例如，人工智慧模型可以在數據集的一部分上進行訓練，以學習具有某些理想空氣動力學的汽車配置。在幾秒鐘內，模型就可以根據從數據集中學到的數千個物理準確設計生成新的汽車設計，並優化其空氣動力學。

研究人員表示，這個數據集也可以用於相反的目的。例如，在對數據集進行訓練後，設計師可以給模型提供一個特定的汽車設計，讓它快速估算該設計的空氣動力學，然後用來計算汽車的潛在燃油效率或電動續航力——所有這些都不需要進行昂貴的實體汽車建造和測試。

Ahmed 說：“這個數據集讓你能在幾秒鐘內訓練生成式人工智慧模型，而不是幾個小時。這些模型可以幫助降低內燃機車輛的燃油消耗，並增加電動車的續航力——最終為更可持續、環保的車輛鋪平道路。”

這項工作部分得到了德國學術交流服務和麻省理工學院機械工程系的支持。