MIT mühendisleri, çevre dostu otomobillerin ve elektrikli araçların tasarımını hızlandırabilecek, aerodinamikleri de dahil olmak üzere otomobil tasarımlarının en büyük açık kaynaklı veri setini geliştirdi.

Otomobil tasarımı yinelemeli ve özel bir süreçtir. Otomobil üreticileri, fiziksel testler için en umut verici tasarımları oluşturmadan önce simülasyonlarda 3D formları değiştirerek bir otomobilin tasarım aşamasında birkaç yıl geçirebilirler. Belirli bir otomobil tasarımının aerodinamiği de dahil olmak üzere bu testlerin ayrıntıları ve özellikleri genellikle kamuya açıklanmaz. Bu nedenle yakıt verimliliği veya elektrikli araç menzili gibi performanstaki önemli ilerlemeler yavaş ve şirketten şirkete silo halinde olabiliyor.

MIT mühendisleri, daha iyi otomobil tasarımları arayışının, büyük miktarda veriyi saniyeler içinde tarayabilen ve yeni bir tasarım oluşturmak için bağlantılar bulabilen üretken yapay zeka araçlarının kullanılmasıyla katlanarak hızlanabileceğini söylüyor. Bu tür yapay zeka araçları mevcut olsa da, öğrenmek için ihtiyaç duyacakları veriler, en azından herhangi bir tür erişilebilir, merkezi biçimde mevcut değildi.

Ancak şimdi, mühendisler böyle bir veri setini ilk kez kamuya açtılar. DrivAerNet++ olarak adlandırılan veri seti, mühendislerin bugün dünyadaki en yaygın otomobil türlerini temel alarak oluşturdukları 8.000'den fazla otomobil tasarımını kapsıyor. Her tasarım 3 boyutlu olarak temsil ediliyor ve otomobilin aerodinamiği hakkında bilgiler içeriyor - grubun her tasarım için gerçekleştirdiği akışkan dinamiği simülasyonlarına dayalı olarak havanın belirli bir tasarım etrafında nasıl akacağı.

Veri kümesindeki 8.000 tasarımın her biri, ağ, nokta bulutu veya tasarımın parametrelerinin ve boyutlarının basit bir listesi gibi çeşitli temsillerde mevcuttur. Bu nedenle veri seti, belirli bir modalitedeki verileri işlemek üzere ayarlanmış farklı yapay zeka modelleri tarafından kullanılabilir.

DrivAerNet++, otomobil aerodinamiği için bugüne kadar geliştirilmiş en büyük açık kaynaklı veri kümesidir. Mühendisler, herhangi bir yapay zeka modelini hızlı bir şekilde eğitmek için kullanılabilecek ayrıntılı aerodinamik verilerle birlikte gerçekçi araba tasarımlarından oluşan kapsamlı bir kütüphane olarak kullanılmasını öngörüyor. Bu modeller daha sonra, bugün otomotiv endüstrisinin harcadığı zamandan çok daha kısa bir sürede, potansiyel olarak daha yakıt tasarruflu otomobillere ve daha uzun menzilli elektrikli araçlara yol açabilecek yeni tasarımlar üretebilir.

MIT'de makine mühendisliği yüksek lisans öğrencisi olan Mohamed Elrefaie, “Bu veri seti, mühendislikte yeni nesil yapay zeka uygulamalarının temelini oluşturuyor, verimli tasarım süreçlerini teşvik ediyor, Ar-Ge maliyetlerini düşürüyor ve daha sürdürülebilir bir otomotiv geleceğine doğru ilerlemeler sağlıyor” diyor.

Elrefaie ve meslektaşları, Aralık ayındaki NeurIPS konferansında yeni veri setini ve bu veri setine uygulanabilecek yapay zeka yöntemlerini detaylandıran bir makale sunacaklar. MIT'de makine mühendisliği yardımcı doçenti olan Faez Ahmed ile Münih Teknik Üniversitesi'nde bilgisayar bilimleri doçenti olan Angela Dai ve BETA CAE Systems'den Florin Marar da çalışmanın diğer yazarları.

Veri boşluğunun doldurulması

Ahmed, MIT'deki Tasarım Hesaplama ve Dijital Mühendislik Laboratuvarı'nı (DeCoDE) yönetiyor ve burada grubu, yapay zeka ve makine öğrenimi araçlarının, otomobil teknolojisi de dahil olmak üzere karmaşık mühendislik sistemlerinin ve ürünlerinin tasarımını geliştirmek için kullanılabileceği yolları araştırıyor.

Ahmed, “Genellikle bir araba tasarlarken, ileri süreç o kadar pahalıdır ki, üreticiler bir arabayı bir versiyondan diğerine sadece biraz değiştirebilirler” diyor. “Ancak her tasarımın performansını bildiğiniz daha büyük veri kümeleriniz varsa, artık makine öğrenimi modellerini hızlı bir şekilde yinelemeleri için eğitebilirsiniz, böylece daha iyi bir tasarım elde etme olasılığınız artar.”

Ve hız, özellikle de otomobil teknolojisini ilerletmek için, şu anda özellikle acil.

Elrefaie, “Otomobiller dünyadaki en büyük kirleticilerden biri olduğundan ve bu katkıyı ne kadar hızlı azaltabilirsek iklime o kadar yardımcı olabileceğimizden, otomobil inovasyonlarını hızlandırmak için en iyi zaman” diyor.

Yeni otomobil tasarımı sürecini inceleyen araştırmacılar, optimum tasarımlar üretmek için birçok otomobil tasarımını inceleyebilecek yapay zeka modelleri olmasına rağmen, gerçekte mevcut olan otomobil verilerinin sınırlı olduğunu tespit etti. Bazı araştırmacılar daha önce simüle edilmiş araba tasarımlarının küçük veri kümelerini bir araya getirirken, araba üreticileri keşfettikleri, test ettikleri ve nihayetinde ürettikleri gerçek tasarımların özelliklerini nadiren yayınlıyorlardı.

Ekip, özellikle elektrikli bir aracın menzilini ve içten yanmalı bir motorun yakıt verimliliğini belirlemede önemli bir rol oynayan bir otomobilin aerodinamiği ile ilgili veri boşluğunu doldurmaya çalıştı. Fark ettikleri zorluk, performanslarını fiziksel olarak test etme ve ölçme avantajı olmadan, her biri işlev ve biçim açısından fiziksel olarak doğru olan binlerce araba tasarımından oluşan bir veri kümesi oluşturmaktı.

Aerodinamikleri fiziksel olarak doğru temsil edilen otomobil tasarımlarından oluşan bir veri kümesi oluşturmak için araştırmacılar, 2014 yılında Audi ve BMW tarafından sağlanan birkaç temel 3D modelle işe başladılar. Bu modeller üç ana binek otomobil kategorisini temsil ediyor: fastback (arka kısmı eğimli sedanlar), notchback (arka profilinde hafif bir eğim olan sedanlar veya coupeler) ve estateback (daha küt, düz arka kısımlara sahip station wagonlar gibi). Temel modellerin basit tasarımlar ile daha karmaşık tescilli tasarımlar arasındaki boşluğu doldurduğu düşünülmektedir ve diğer gruplar tarafından yeni otomobil tasarımlarını keşfetmek için bir başlangıç noktası olarak kullanılmıştır.

Araba kütüphanesi

Yeni çalışmalarında ekip, temel araba modellerinin her birine bir biçim değiştirme işlemi uyguladı. Bu işlem, belirli bir araba tasarımındaki uzunluk, gövde altı özellikleri, ön cam eğimi ve tekerlek dişi gibi 26 parametrenin her birinde sistematik olarak küçük bir değişiklik yaptı ve daha sonra farklı bir araba tasarımı olarak etiketlendi ve daha sonra büyüyen veri kümesine eklendi. Bu arada ekip, her yeni tasarımın gerçekten farklı olduğundan ve önceden oluşturulmuş bir tasarımın kopyası olmadığından emin olmak için bir optimizasyon algoritması çalıştırdı. Daha sonra her bir 3B tasarımı farklı modalitelere çevirdiler; böylece belirli bir tasarım bir ağ, bir nokta bulutu veya bir boyutlar ve özellikler listesi olarak temsil edilebildi.

Araştırmacılar ayrıca, oluşturulan her bir otomobil tasarımının etrafında havanın nasıl akacağını hesaplamak için karmaşık, hesaplamalı akışkanlar dinamiği simülasyonları yürüttüler. Sonuçta, bugün yollardaki en yaygın binek otomobil türlerini kapsayan 8.000'den fazla farklı, fiziksel olarak doğru 3D otomobil formu üretildi.

Bu kapsamlı veri setini üretmek için araştırmacılar MIT SuperCloud'u kullanarak 3 milyondan fazla CPU saati harcadı ve 39 terabayt veri üretti. (Karşılaştırma yapmak gerekirse, Kongre Kütüphanesi'nin basılı koleksiyonunun tamamının yaklaşık 10 terabaytlık veri oluşturacağı tahmin ediliyor).

Mühendisler, araştırmacıların artık veri setini belirli bir yapay zeka modelini eğitmek için kullanabileceğini söylüyor. Örneğin, bir yapay zeka modeli, belirli arzu edilen aerodinamik özelliklere sahip araba konfigürasyonlarını öğrenmek için veri setinin bir kısmı üzerinde eğitilebilir. Saniyeler içinde model, veri kümesindeki binlerce fiziksel olarak doğru tasarımdan öğrendiklerine dayanarak optimize edilmiş aerodinamiğe sahip yeni bir araba tasarımı üretebilir.

Araştırmacılar veri setinin ters amaç için de kullanılabileceğini söylüyor. Örneğin, veri kümesi üzerinde bir yapay zeka modelini eğittikten sonra, tasarımcılar modeli belirli bir otomobil tasarımıyla besleyebilir ve tasarımın aerodinamiğini hızlı bir şekilde tahmin etmesini sağlayabilir, bu da daha sonra otomobilin potansiyel yakıt verimliliğini veya elektrik menzilini hesaplamak için kullanılabilir - hepsi de fiziksel bir otomobilin pahalı yapımını ve testini gerçekleştirmeden.

Ahmed, “Bu veri setinin size sağladığı şey, bir şeyleri saatler yerine saniyeler içinde yapmak için üretken yapay zeka modellerini eğitmektir” diyor. “Bu modeller içten yanmalı araçların yakıt tüketimini azaltmaya ve elektrikli araçların menzilini artırmaya yardımcı olabilir - sonuçta daha sürdürülebilir, çevre dostu araçların önünü açabilir.”

Toyota Araştırma Enstitüsü'nde kıdemli bir makine öğrenimi araştırma bilimcisi olan ve çalışmaya dahil olmayan Yanxia Zhang, “Veri seti çok kapsamlı ve hem stil hem de performansı anlamak için değerli olan çeşitli modalitelerden oluşuyor” diyor.

Bu çalışma kısmen Alman Akademik Değişim Servisi ve MIT Makine Mühendisliği Bölümü tarafından desteklenmiştir.