कार डिजाइन एक पुनरावृत्ति और मालिकाना प्रक्रिया है। कार निर्माता एक कार के लिए डिजाइन चरण पर कई साल बिता सकते हैं, भौतिक परीक्षण के लिए सबसे होनहार डिजाइनों का निर्माण करने से पहले सिमुलेशन में 3 डी रूपों को ट्विक कर सकते हैं। किसी दिए गए कार डिजाइन के वायुगतिकी सहित इन परीक्षणों के विवरण और चश्मे, आमतौर पर सार्वजनिक नहीं किए जाते हैं। प्रदर्शन में महत्वपूर्ण प्रगति, जैसे कि ईंधन दक्षता या इलेक्ट्रिक वाहन रेंज में, इसलिए कंपनी से कंपनी तक धीमी और चुप हो सकती है।
एमआईटी इंजीनियरों का कहना है कि बेहतर कार डिजाइनों की खोज जनरेटिव आर्टिफिशियल इंटेलिजेंस टूल्स के उपयोग के साथ तेजी से गति कर सकती है जो सेकंड में भारी मात्रा में डेटा के माध्यम से हल कर सकते हैं और एक उपन्यास डिजाइन उत्पन्न करने के लिए कनेक्शन पा सकते हैं। जबकि इस तरह के एआई उपकरण मौजूद हैं, उन्हें जिस डेटा से सीखना होगा, वह उपलब्ध नहीं है, कम से कम किसी भी प्रकार के सुलभ, केंद्रीकृत रूप में।
लेकिन अब, इंजीनियरों ने पहली बार इस तरह के एक डेटासेट को जनता के लिए उपलब्ध कराया है। Dubbed Drivaernet ++, डेटासेट में 8,000 से अधिक कार डिजाइन शामिल हैं, जो आज दुनिया की सबसे सामान्य प्रकार की कारों के आधार पर उत्पन्न इंजीनियरों को शामिल करते हैं। प्रत्येक डिज़ाइन को 3 डी रूप में दर्शाया गया है और इसमें कार के वायुगतिकी पर जानकारी शामिल है – जिस तरह से हवा एक दिए गए डिजाइन के चारों ओर बहती है, द्रव की गतिशीलता के सिमुलेशन के आधार पर जो समूह प्रत्येक डिजाइन के लिए किया गया था।
क्रेडिट: मोहम्मद एल्रेफाई के सौजन्य से
डेटासेट के 8,000 डिजाइनों में से प्रत्येक कई अभ्यावेदन में उपलब्ध है, जैसे कि मेष, प्वाइंट क्लाउड, या डिज़ाइन के मापदंडों और आयामों की एक सरल सूची। जैसे, डेटासेट का उपयोग अलग -अलग एआई मॉडल द्वारा किया जा सकता है जो एक विशेष रूप से डेटा को संसाधित करने के लिए ट्यून किए जाते हैं।
Drivaernet ++ कार वायुगतिकी के लिए सबसे बड़ा ओपन-सोर्स डेटासेट है जिसे आज तक विकसित किया गया है। इंजीनियरों ने इसे यथार्थवादी कार डिजाइनों के एक व्यापक पुस्तकालय के रूप में उपयोग किया जा रहा है, विस्तृत वायुगतिकी डेटा के साथ, जिसका उपयोग किसी भी एआई मॉडल को जल्दी से प्रशिक्षित करने के लिए किया जा सकता है। ये मॉडल तब के रूप में जल्दी से उपन्यास डिजाइन उत्पन्न कर सकते हैं जो संभावित रूप से अधिक ईंधन-कुशल कारों और इलेक्ट्रिक वाहनों को लंबी दूरी के साथ ले जा सकते हैं, उस समय के एक अंश में जो आज ऑटोमोटिव उद्योग को ले जाते हैं।
एमआईटी में एक मैकेनिकल इंजीनियरिंग स्नातक छात्र मोहम्मद एल्रेफाई कहते हैं, “यह डेटासेट इंजीनियरिंग में एआई अनुप्रयोगों की अगली पीढ़ी के लिए नींव रखता है, कुशल डिजाइन प्रक्रियाओं को बढ़ावा देता है, आर एंड डी लागत में कटौती करता है, और अधिक टिकाऊ मोटर वाहन भविष्य की ओर प्रगति करता है।”
Elrefaie और उनके सहयोगियों ने दिसंबर में न्यूरिप्स सम्मेलन में, नए डेटासेट, और AI तरीकों को लागू करने वाला एक पेपर पेश किया, जो इस पर लागू किया जा सकता है। उनके सह-लेखक फेज़ अहमद, एमआईटी में मैकेनिकल इंजीनियरिंग के सहायक प्रोफेसर हैं, साथ ही एंजेला दाई, म्यूनिख के तकनीकी विश्वविद्यालय में कंप्यूटर विज्ञान के एसोसिएट प्रोफेसर और बीटा सीएई सिस्टम के फ्लोरिन मारर हैं।
डेटा अंतराल भरना
अहमद MIT में डिज़ाइन कम्प्यूटेशन और डिजिटल इंजीनियरिंग लैब (Decode) का नेतृत्व करता है, जहां उसका समूह उन तरीकों की पड़ताल करता है जिसमें AI और मशीन-लर्निंग टूल का उपयोग कार प्रौद्योगिकी सहित जटिल इंजीनियरिंग सिस्टम और उत्पादों के डिजाइन को बढ़ाने के लिए किया जा सकता है।
“अक्सर एक कार डिजाइन करते समय, आगे की प्रक्रिया इतनी महंगी होती है कि निर्माता केवल एक कार को एक संस्करण से दूसरे संस्करण में थोड़ा सा मोड़ सकते हैं,” अहमद कहते हैं। “लेकिन अगर आपके पास बड़े डेटासेट हैं, जहां आप प्रत्येक डिज़ाइन के प्रदर्शन को जानते हैं, तो अब आप मशीन-लर्निंग मॉडल को तेजी से पुनरावृति करने के लिए प्रशिक्षित कर सकते हैं ताकि आपको बेहतर डिज़ाइन प्राप्त करने की अधिक संभावना हो।”
और गति, विशेष रूप से कार प्रौद्योगिकी को आगे बढ़ाने के लिए, विशेष रूप से अब दबाव डाल रही है।
“यह कार नवाचारों को तेज करने के लिए सबसे अच्छा समय है, क्योंकि ऑटोमोबाइल दुनिया के सबसे बड़े प्रदूषकों में से एक हैं, और जितनी तेजी से हम उस योगदान को शेव कर सकते हैं, उतना ही हम जलवायु में मदद कर सकते हैं,” एल्रेफाई कहते हैं।
नई कार डिजाइन की प्रक्रिया को देखते हुए, शोधकर्ताओं ने पाया कि, जबकि एआई मॉडल हैं जो इष्टतम डिजाइनों को उत्पन्न करने के लिए कई कार डिजाइनों के माध्यम से क्रैंक कर सकते हैं, वास्तव में उपलब्ध कार डेटा सीमित है। कुछ शोधकर्ताओं ने पहले सिम्युलेटेड कार डिजाइनों के छोटे डेटासेट को इकट्ठा किया था, जबकि कार निर्माता शायद ही कभी उन वास्तविक डिजाइनों के चश्मे को छोड़ते हैं जो वे खोजते हैं, परीक्षण करते हैं, और अंततः निर्माण करते हैं।
टीम ने विशेष रूप से कार के वायुगतिकी के संबंध में डेटा गैप को भरने की मांग की, जो एक इलेक्ट्रिक वाहन की सीमा और एक आंतरिक दहन इंजन की ईंधन दक्षता स्थापित करने में महत्वपूर्ण भूमिका निभाता है। चुनौती, उन्हें एहसास हुआ, हजारों कार डिजाइनों के एक डेटासेट को इकट्ठा करने में था, जिनमें से प्रत्येक शारीरिक रूप से उनके कार्य और रूप में शारीरिक रूप से सटीक है, शारीरिक रूप से परीक्षण और उनके प्रदर्शन को मापने के लाभ के बिना।
अपने वायुगतिकी के शारीरिक रूप से सटीक प्रतिनिधित्व के साथ कार डिजाइन का एक डेटासेट बनाने के लिए, शोधकर्ताओं ने कई बेसलाइन 3 डी मॉडल के साथ शुरुआत की, जो 2014 में ऑडी और बीएमडब्ल्यू द्वारा प्रदान किए गए थे। ये मॉडल यात्री कारों की तीन प्रमुख श्रेणियों का प्रतिनिधित्व करते हैं: फास्टबैक (एक स्लोपेड बैक एंड के साथ सेडान), नॉटबैक (जैसे कि उनके रियर प्रोफाइल में एक मामूली डुबकी), (जैसे कि स्टैम)। बेसलाइन मॉडल को सरल डिजाइन और अधिक जटिल मालिकाना डिजाइनों के बीच की खाई को पाटने के लिए माना जाता है, और अन्य समूहों द्वारा नए कार डिजाइनों की खोज के लिए एक शुरुआती बिंदु के रूप में उपयोग किया गया है।
कारों की लाइब्रेरी
अपने नए अध्ययन में, टीम ने बेसलाइन कार मॉडल में से प्रत्येक के लिए एक मॉर्फिंग ऑपरेशन लागू किया। इस ऑपरेशन ने किसी दिए गए कार डिजाइन में 26 मापदंडों में से प्रत्येक में व्यवस्थित रूप से थोड़ा बदलाव किया, जैसे कि इसकी लंबाई, अंडरबॉडी फीचर्स, विंडशील्ड स्लोप, और व्हील ट्रेड, जिसे तब एक अलग कार डिजाइन के रूप में लेबल किया गया था, जिसे तब बढ़ते डेटासेट में जोड़ा गया था। इस बीच, टीम ने यह सुनिश्चित करने के लिए एक अनुकूलन एल्गोरिथ्म चलाया कि प्रत्येक नया डिजाइन वास्तव में अलग था, न कि पहले से उत्पन्न डिजाइन की एक प्रति। फिर उन्होंने प्रत्येक 3 डी डिज़ाइन को अलग -अलग तौर -तरीकों में अनुवाद किया, जैसे कि एक दिए गए डिज़ाइन को एक जाल, एक बिंदु बादल, या आयामों और चश्मा की सूची के रूप में दर्शाया जा सकता है।
शोधकर्ताओं ने यह भी गणना करने के लिए जटिल, कम्प्यूटेशनल द्रव गतिशीलता सिमुलेशन चलाया कि हवा प्रत्येक उत्पन्न कार डिजाइन के आसपास कैसे प्रवाहित होगी। अंत में, इस प्रयास ने 8,000 से अधिक अलग -अलग, शारीरिक रूप से सटीक 3 डी कार रूपों का उत्पादन किया, जिसमें आज सड़क पर सबसे सामान्य प्रकार की यात्री कारों को शामिल किया गया है।
इस व्यापक डेटासेट का उत्पादन करने के लिए, शोधकर्ताओं ने एमआईटी सुपरक्लाउड का उपयोग करके 3 मिलियन से अधिक सीपीयू घंटे बिताए, और 39 टेराबाइट्स डेटा उत्पन्न किए। (तुलना के लिए, यह अनुमान लगाया गया है कि कांग्रेस के पुस्तकालय के पूरे मुद्रित संग्रह में लगभग 10 टेराबाइट्स डेटा होंगे।)
इंजीनियरों का कहना है कि शोधकर्ता अब किसी विशेष एआई मॉडल को प्रशिक्षित करने के लिए डेटासेट का उपयोग कर सकते हैं। उदाहरण के लिए, एक एआई मॉडल को कार कॉन्फ़िगरेशन सीखने के लिए डेटासेट के एक हिस्से पर प्रशिक्षित किया जा सकता है जिसमें कुछ वांछनीय वायुगतिकी होती है। सेकंड के भीतर, मॉडल तब अनुकूलित वायुगतिकी के साथ एक नई कार डिजाइन उत्पन्न कर सकता है, जो डेटासेट के हजारों शारीरिक रूप से सटीक डिजाइनों से सीखा है।
शोधकर्ताओं का कहना है कि डेटासेट का उपयोग उलटा लक्ष्य के लिए भी किया जा सकता है। उदाहरण के लिए, डेटासेट पर एक एआई मॉडल को प्रशिक्षित करने के बाद, डिजाइनर मॉडल को एक विशिष्ट कार डिजाइन खिला सकते हैं और यह जल्दी से डिज़ाइन के वायुगतिकी का अनुमान लगा सकता है, जिसका उपयोग तब कार की संभावित ईंधन दक्षता या इलेक्ट्रिक रेंज की गणना करने के लिए किया जा सकता है – सभी एक भौतिक कार के महंगे निर्माण और परीक्षण के बिना।
अहमद कहते हैं, “यह डेटासेट आपको क्या करने की अनुमति देता है। “ये मॉडल आंतरिक दहन वाहनों के लिए ईंधन की खपत को कम करने और इलेक्ट्रिक कारों की सीमा को बढ़ाने में मदद कर सकते हैं – अंततः अधिक टिकाऊ, पर्यावरण के अनुकूल वाहनों के लिए मार्ग प्रशस्त करते हैं।”
टोयोटा रिसर्च इंस्टीट्यूट के एक वरिष्ठ मशीन लर्निंग रिसर्च साइंटिस्ट यानक्सिया झांग कहते हैं, “डेटासेट बहुत व्यापक है और इसमें एक विविध सेट होते हैं जो स्टाइल और प्रदर्शन दोनों को समझने के लिए मूल्यवान हैं।”
इस काम का समर्थन किया गया था, भाग में, MIT में जर्मन अकादमिक एक्सचेंज सेवा और मैकेनिकल इंजीनियरिंग विभाग द्वारा।
।
