麻省理工學院的工程師已經創造了 8,000 多種電動車 (EV) 設計，可以與（人工智慧）在未來快速製造汽車。
工程師表示，這個名為「DrivAerNet++」的開源資料庫包括基於目前最常見汽車類型的設計，以 3D 模型的形式顯示，其中包含了設計的空氣動力學等資訊。
已經存在了，但最近人氣飆升。設計這些汽車需要公司花費數年時間、資源、迭代和修改，直到達到最終設計，並從中建立實體原型。
由於其專有性質，這些測試的規格和結果（以及原型的空氣動力學）是私有的。科學家表示，這意味著電動車續航里程或燃油效率的顯著進步可能會很緩慢。
然而，新資料庫旨在以指數方式加快對更好汽車設計的搜尋。
這個汽車設計數位圖書館包含有關規格和空氣動力學的詳細數據。研究人員表示，如果未來與人工智慧模型相結合，該數位圖書館可用於產生新的電動車設計。
工程師表示，透過簡化漫長的流程，製造商可以比以往更快地開發電動車設計。
有關的：
團隊提交了一篇論文，該論文於 6 月 13 日上傳至預印本arXiv資料庫，概述了數據集以及如何將其與人工智慧技術相結合。他們描述了在NeurIPS 會議十二月在溫哥華。一個
依靠人工智慧在幾秒鐘內創建汽車設計
研究人員創建的數據集產生了 39 TB 的數據，同時消耗了 300 萬小時的中央處理單元時間麻省理工學院超級雲— 用於科學研究、可遠端存取的超強大電腦叢集。
該團隊應用了一種演算法，系統地調整了 26 個參數，包括每個基準車型的車輛長度、車身底部特徵、胎面和車輪形狀以及擋風玻璃坡度。他們還運行了一種演算法，可以確定新生成的設計是否是已經存在的設計的副本或真正的新設計。
然後，每個 3D 設計都轉換為不同的可讀格式 - 包括網格、點雲或簡單的尺寸和規格清單。最後，他們進行了複雜的流體動力學模擬，以計算空氣如何在每個生成的設計周圍流動。
「前進過程非常昂貴，製造商只能對汽車從一個版本到下一個版本進行一點點調整，」補充道費茲·艾哈邁德麻省理工學院機械工程助理教授陳述。 “但是，如果你有更大的數據集，並且知道每個設計的性能，那麼現在你可以訓練機器學習模型來快速迭代，這樣你就更有可能獲得更好的設計。”
穆罕默德·埃爾雷菲麻省理工學院機械工程專業的學生在聲明中表示，該資料集有助於降低研發成本並加快進展。他補充說，加快設計過程也將有助於氣候變化，如果這意味著更有效率的車輛更快到達消費者手中。 ，這種設計加速的關鍵是與人工智慧工具的整合。艾哈邁德補充說，該資料集可讓您訓練生成式人工智慧模型，使其「在幾秒鐘而不是幾小時內完成任務」。
過去的人工智慧模型可以產生看似優化的設計，但它們依賴有限的訓練資料。
新數據集提供了更強大的訓練數據，人工智慧模型現在可以使用這些數據來創建新設計或測試現有設計的空氣動力學性能。然後可以用它來計算電動車的效率和行駛里程，而無需物理原型。
