汽车设计是一个迭代和专有的过程。汽车制造商可能会在汽车的设计阶段花费数年时间，在模拟中调整3D形状，然后将最有前景的设计构建出来进行物理测试。这些测试的细节和规格，包括特定汽车设计的空气动力学，通常不会公开。因此，性能的显著进步，例如燃油效率或电动车的续航里程，可能会缓慢且在公司之间相对孤立。
麻省理工学院的工程师表示，利用生成性人工智能工具可以在几秒钟内处理大量数据并找到联系，从而加速对更好汽车设计的搜索。虽然这样的AI工具已经存在，但它们所需的学习数据至少在任何可访问的集中形式中都没有可用。
但现在，工程师们首次向公众提供了这样一个数据集。这个名为DrivAerNet++的数据集包含了超过8000种汽车设计，这些设计是工程师基于当今世界上最常见的汽车类型生成的。每种设计都以3D形式表示，并包括关于汽车空气动力学的信息——即空气如何围绕特定设计流动，这基于该小组为每种设计进行的流体动力学模拟。
图片来源：Mohamed Elrefaie提供
数据集中8000种设计的每一种都有多种表示形式，例如网格、点云或设计参数和尺寸的简单列表。因此，该数据集可以被不同的AI模型使用，这些模型经过调整以处理特定模式的数据。
DrivAerNet++是迄今为止开发的最大的开源汽车空气动力学数据集。工程师们设想它作为一个现实汽车设计的广泛库，包含详细的空气动力学数据，可以快速训练任何AI模型。这些模型随后可以同样快速地生成新设计，可能导致更高燃油效率的汽车和续航更长的电动车，所需时间仅为今天汽车行业所需时间的一小部分。
“这个数据集为工程领域下一代AI应用奠定了基础，促进高效的设计流程，降低研发成本，并推动朝着更可持续的汽车未来的进步，”麻省理工学院机械工程研究生Mohamed Elrefaie说。
Elrefaie和他的同事将在12月的NeurIPS会议上展示一篇详细介绍新数据集及其可应用的AI方法的论文。他的合著者包括麻省理工学院机械工程助理教授Faez Ahmed，以及慕尼黑工业大学计算机科学副教授Angela Dai和BETA CAE Systems的Florin Marar。
填补数据空白
Ahmed领导麻省理工学院的设计计算与数字工程实验室（DeCoDE），他的团队探索如何利用AI和机器学习工具来增强复杂工程系统和产品的设计，包括汽车技术。
“在设计汽车时，前期过程往往非常昂贵，以至于制造商只能在一个版本与下一个版本之间稍微调整汽车，”Ahmed说。“但如果你有更大的数据集，知道每种设计的性能，现在你可以训练机器学习模型快速迭代，这样更有可能获得更好的设计。”
而且，特别是在推进汽车技术方面，速度现在显得尤为紧迫。
“这是加速汽车创新的最佳时机，因为汽车是世界上最大的污染源之一，我们越快减少这种贡献，就越能帮助气候，”Elrefaie说。
在研究新汽车设计的过程中，研究人员发现，虽然有AI模型可以处理许多汽车设计以生成最佳设计，但实际上可用的汽车数据是有限的。一些研究人员之前组装了小型的模拟汽车设计数据集，而汽车制造商很少发布他们探索、测试和最终制造的实际设计的规格。
该团队试图填补数据空白，特别是在汽车空气动力学方面，这在设定电动车的续航里程和内燃机的燃油效率中起着关键作用。他们意识到，组装一个包含数千种汽车设计的数据集，每种设计在功能和形式上都具有物理准确性，而没有进行物理测试和测量其性能的好处，是一项挑战。
为了构建一个具有物理准确性表示的汽车设计数据集，研究人员从2014年由奥迪和宝马提供的几个基线3D模型开始。这些模型代表了三种主要类型的乘用车：快背车（后部倾斜的轿车）、轿背车（后部轮廓略微下凹的轿车或轿跑）和旅行车（如后部较平坦的旅行车）。基线模型被认为是简单设计和更复杂专有设计之间的桥梁，并已被其他团队用作探索新汽车设计的起点。
汽车库
在他们的新研究中，团队对每个基线汽车模型应用了变形操作。该操作系统地对给定汽车设计中的26个参数（例如长度、底盘特征、挡风玻璃坡度和轮胎花纹）进行轻微更改，然后将其标记为独特的汽车设计，并添加到不断增长的数据集中。同时，团队运行了一个优化算法，以确保每个新设计确实是独特的，而不是已经生成设计的副本。然后，他们将每个3D设计转换为不同的表示形式，以便特定设计可以表示为网格、点云或尺寸和规格的列表。
研究人员还进行了复杂的计算流体动力学模拟，以计算空气如何流过每个生成的汽车设计。最终，这项工作产生了超过8000种独特的、物理准确的3D汽车形状，涵盖了当今道路上最常见的乘用车类型。
为了生成这个全面的数据集，研究人员使用麻省理工学院超级云计算平台花费了超过300万CPU小时，并生成了39TB的数据。（相比之下，估计整个国会图书馆的印刷藏书大约为10TB的数据。）
工程师们表示，研究人员现在可以使用该数据集来训练特定的AI模型。例如，可以在数据集的一部分上训练AI模型，以学习具有某些理想空气动力学的汽车配置。在几秒钟内，该模型可以生成一个新的汽车设计，优化空气动力学，基于它从数据集中数千个物理准确的设计中学到的知识。
研究人员表示，该数据集也可以用于相反的目标。例如，在对数据集训练AI模型后，设计师可以向模型输入特定的汽车设计，并让其快速估算该设计的空气动力学，然后可以用来计算汽车的潜在燃油效率或电动续航——所有这些都无需进行昂贵的物理汽车的构建和测试。
“这个数据集让你能够在几秒钟内训练生成性AI模型，而不是几个小时，”Ahmed说。“这些模型可以帮助降低内燃机车辆的燃油消耗，并增加电动车的续航——最终为更可持续、环保的车辆铺平道路。”
这项工作部分得到了德国学术交流服务和麻省理工学院机械工程系的支持。
