¿Quieres diseñar el coche del futuro? Aquí tienes 8.000 diseños para empezar
Ingenieros lanzan el mayor conjunto de datos de código abierto de diseños de automóviles, incluida su aerodinámica, que podría acelerar el diseño de automóviles ecológicos y vehículos eléctricos.
Por Jennifer Chu / MIT News
En un nuevo conjunto de datos que incluye más de 8.000 diseños de automóviles, los ingenieros del MIT simularon la aerodinámica de una forma de automóvil determinada, que representan en varias modalidades, incluidos los campos de superficie. Crédito: Cortesía de Mohamed Elrefaie
El diseño de coches es un proceso iterativo y patentado. Los fabricantes pueden pasar varios años en la fase de diseño de un coche, retocando formas 3D en simulaciones antes de crear los diseños más prometedores para pruebas físicas. Los detalles y especificaciones de estas pruebas, incluida la aerodinámica de un determinado diseño, no suelen hacerse públicos.
Por tanto, los avances significativos en prestaciones, como la eficiencia de combustible o la autonomía de los vehículos eléctricos, pueden ser lentos y aislados de una empresa a otra.
Los ingenieros del Instituto Tecnológico de Massachusetts (MIT), en Estados Unidos, afirman que la búsqueda de mejores diseños de automóviles puede acelerarse exponencialmente con el uso de herramientas de inteligencia artificial generativa capaces de analizar enormes cantidades de datos en cuestión de segundos y encontrar conexiones para generar un diseño novedoso.
Más de 8.000 diseños de automóviles
Aunque estas herramientas de inteligencia artificial (IA) ya existen, los datos que necesitan para aprender no están disponibles, al menos 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 de código abierto —datos que se encuentra disponible para el público de forma libre y gratuita, y puede ser utilizado, modificado o distribuido por cualquiera— abarca más de 8.000 diseños de automóviles, que los ingenieros generaron en función de los tipos de coches más comunes en el mundo actual.
Cada diseño se representa en forma 3D e incluye información sobre la aerodinámica del automóvil, la forma en que el aire fluiría alrededor de un diseño determinado, basado 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 8.000 diseños del conjunto de datos está disponible en varias representaciones, como malla, nube de puntos o una simple lista de los parámetros y dimensiones del diseño. De este modo, el conjunto de datos puede ser utilizado por distintos modelos de inteligencia artificial ajustados para procesar datos en una modalidad concreta.
DrivAerNet++ es el mayor conjunto de datos de código abierto sobre aerodinámica del automóvil desarrollado hasta la fecha. Los ingenieros prevén utilizarlo como una amplia biblioteca de diseños de coches realistas, con datos aerodinámicos detallados que pueden utilizarse para entrenar rápidamente cualquier modelo de IA.
Estos modelos pueden generar con la misma rapidez diseños novedosos que podrían dar lugar a coches más eficientes en el consumo de combustible y vehículos eléctricos con mayor autonomía, en una fracción del tiempo que le lleva a la industria automovilística actual.
«Este conjunto de datos sienta las bases para la próxima generación de aplicaciones de IA en ingeniería, al fomentar procesos de diseño eficientes, reducir los costes de I+D e impulsar avances hacia un futuro automovilístico más sostenible —afirma Mohamed Elrefaie, estudiante de postgrado de Ingeniería Mecánica en el MIT.
Cada uno de los 8.000 diseños de coches 3D del conjunto de datos está disponible en varias representaciones, como paramétricas, nubes de puntos, malla 3D, campos volumétricos, campos de superficie, líneas de corriente y anotación de piezas. Como tal, el conjunto de datos puede ser utilizado por diferentes modelos de IA que están ajustados para procesar datos en una modalidad particular. Crédito: Cortesía de Mohamed Elrefaie
La velocidad de diseño resulta clave
Faez Ahmed, profesor de Ingeniería Mecánica y director del Design Computation and Digital Engineering Lab (DeCoDE) del MIT, donde su grupo estudia cómo utilizar la IA y las herramientas de aprendizaje automático para mejorar el diseño de sistemas y productos de ingeniería complejos, incluida la tecnología automovilística, es coautor del estudio.
«A menudo, cuando se diseña un coche, el proceso de desarrollo es tan costoso que los fabricantes solo pueden retocarlo un poco de una versión a la siguiente —explica Ahmed. Y añade—: Pero si se dispone de conjuntos de datos más grandes en los que se conoce el rendimiento de cada diseño, se pueden entrenar modelos de aprendizaje automático para avanzar con rapidez y así tener más probabilidades de obtener un diseño mejor».
Y la velocidad, sobre todo para el avance de la tecnología automovilística, es especialmente apremiante ahora.
Una ayuda para el clima
«Este es el mejor momento para acelerar las innovaciones automovilísticas, ya que los estos son uno de los mayores contaminantes del mundo, y cuanto más rápido podamos reducir esa contribución, más podremos ayudar al clima», afirma Elrefaie.
Al estudiar el proceso de diseño de un coche nuevo, los investigadores descubrieron que, aunque hay modelos de IA que podrían analizar muchos diseños de coches para generar diseños óptimos, los datos de coches realmente disponibles son limitados. Algunos investigadores habían reunido anteriormente pequeños conjuntos de datos de diseños de coches 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 trató de llenar ese vacío de información, sobre todo en lo que respecta a la aerodinámica de un coche, que desempeña un papel clave a la hora de establecer la autonomía de un vehículo eléctrico y la eficiencia de combustible de un motor de combustión interna. Se dieron cuenta de que el reto consistía en reunir un conjunto de datos de miles de diseños de coches, cada uno de los cuales es físicamente exacto en su función y forma, sin la ventaja de probar y medir físicamente su rendimiento.
Fastback, notchback y estateback
Para crear un conjunto de datos de diseños de coches con representaciones físicamente exactas de su aerodinámica, los investigadores partieron de varios modelos 3D de referencia proporcionados por Audi y BMW en 2014. Estos modelos representan tres categorías principales de turismos: fastback —berlinas con la parte trasera inclinada—, notchback —berlinas o coupés con un ligero hundimiento en su perfil trasero— y estateback —como las rancheras con la parte trasera más plana y roma—.
Se cree que estos tres modelos sirven de puente entre los diseños sencillos y los más complicados, y han sido utilizados por otros grupos como punto de partida para explorar nuevos diseños de coches.
En su nuevo estudio, el equipo aplicó una operación de morphing a cada uno de los modelos de referencia. Esta operación modificaba sistemáticamente cada uno de los veintiséis parámetros de un determinado diseño de coche, como su longitud, las características de los bajos, la inclinación del parabrisas y el dibujo de las ruedas, y lo etiquetaba como un diseño de coche distinto, que se añadía al creciente conjunto de datos.
Evitar repeticiones de diseño
Mientras tanto, el equipo ejecutó un algoritmo de optimización para asegurarse de que cada nuevo diseño era realmente distinto y no una copia de un diseño ya generado. A continuación, tradujeron cada diseño 3D a distintas modalidades, de modo que un diseño determinado puede representarse como una malla, una nube de puntos o una lista de dimensiones y especificaciones.
Los investigadores también llevaron a cabo complejas simulaciones computacionales de dinámica de fluidos para calcular cómo correría 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 más comunes de automóviles de pasajeros en la carretera hoy en día.
Para producir este conjunto de datos completo, los investigadores pasaron más de tres 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 estadouniense ascendería a unos 10 terabytes de datos.
Un nuevo coche en segundos
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 entrenarse en 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, basado 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 el alcance eléctrico del automóvil, todo sin llevar a cabo una construcción y pruebas costosas de un automóvil físico.
«Lo que permite este conjunto de datos es entrenar modelos generativos de IA para hacer cosas en segundos en lugar de horas —afirma Ahmed. Y concluye—: Estos modelos pueden ayudar a reducir el consumo de combustible de los vehículos de combustión interna y aumentar la autonomía de los coches eléctricos; en definitiva, allanar el camino hacia vehículos más sostenibles y respetuosos con el medioambiente».▪️
Artículo publicado con la autorización de MIT News -Adaptación: Enrique Coperías
Mohamed Elrefaie, Florin Morar, Angela Dai, Faez Ahmed. DrivAerNet++: A Large-Scale Multimodal Car Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks. Arxiv (2024). DOI: https://doi.org/10.48550/arXiv.2406.09624
