O design do carro é um processo iterativo e proprietário. As montadoras podem passar vários anos na fase de projeto de um carro, ajustando formas 3D em simulações antes de desenvolverem os projetos mais promissores para testes físicos. Os detalhes e especificações desses testes, incluindo a aerodinâmica de um determinado projeto de carro, normalmente não são divulgados. Avanços significativos no desempenho, como na eficiência de combustível ou na autonomia dos veículos elétricos, podem, portanto, ser lentos e isolados de empresa para empresa.
Os engenheiros do MIT dizem que a busca por melhores designs de carros pode acelerar exponencialmente com o uso de ferramentas generativas de inteligência synthetic que podem analisar enormes quantidades de dados em segundos e encontrar conexões para gerar um design novo. Embora existam tais ferramentas de IA, os dados com os quais precisariam aprender não estavam disponíveis, pelo menos em qualquer forma acessível e centralizada.
Mas agora, os engenheiros disponibilizaram esse conjunto de dados ao público pela primeira vez. Chamado de DrivAerNet++, o conjunto de dados abrange mais de 8.000 projetos de carros, que os engenheiros geraram com base nos tipos de carros mais comuns no mundo atualmente. Cada projeto é representado em formato 3D e inclui informações sobre a aerodinâmica do carro – a forma como o ar fluiria em torno de um determinado projeto, com base em simulações de dinâmica de fluidos que o grupo realizou para cada projeto.
Crédito: Cortesia de Mohamed Elrefaie
Cada um dos 8.000 projetos do conjunto de dados está disponível em diversas representações, como malha, nuvem de pontos ou uma lista simples de parâmetros e dimensões do projeto. Como tal, o conjunto de dados pode ser usado por diferentes modelos de IA ajustados para processar dados em uma modalidade específica.
DrivAerNet++ é o maior conjunto de dados de código aberto para aerodinâmica automotiva desenvolvido até hoje. Os engenheiros imaginam que ele será usado como uma extensa biblioteca de designs de carros realistas, com dados aerodinâmicos detalhados que podem ser usados para treinar rapidamente qualquer modelo de IA. Esses modelos podem então gerar designs inovadores com a mesma rapidez que poderiam levar a carros mais eficientes em termos de consumo de combustível e veículos elétricos com maior autonomia, em uma fração do tempo que a indústria automotiva leva hoje.
“Este conjunto de dados estabelece as bases para a próxima geração de aplicações de IA em engenharia, promovendo processos de design eficientes, reduzindo custos de P&D e impulsionando avanços em direção a um futuro automotivo mais sustentável”, afirma Mohamed Elrefaie, estudante de graduação em engenharia mecânica no MIT.
Elrefaie e seus colegas apresentarão um artigo detalhando o novo conjunto de dados e os métodos de IA que poderiam ser aplicados a ele na conferência NeurIPS em dezembro. Seus coautores são Faez Ahmed, professor assistente de engenharia mecânica no MIT, juntamente com Angela Dai, professora associada de ciência da computação na Universidade Técnica de Munique, e Florin Marar da BETA CAE Techniques.
Preenchendo a lacuna de dados
Ahmed lidera o Laboratório de Computação de Design e Engenharia Digital (DeCoDE) no MIT, onde seu grupo explora maneiras pelas quais a IA e as ferramentas de aprendizado de máquina podem ser usadas para aprimorar o projeto de sistemas e produtos de engenharia complexos, incluindo tecnologia automotiva.
“Muitas vezes, ao projetar um carro, o processo avançado é tão caro que os fabricantes só conseguem ajustar um carro de uma versão para outra”, diz Ahmed. “Mas se você tiver conjuntos de dados maiores onde conhece o desempenho de cada projeto, agora poderá treinar modelos de aprendizado de máquina para iterar rapidamente, aumentando a probabilidade de obter um projeto melhor.”
E a velocidade, especialmente para o avanço da tecnologia automóvel, é particularmente premente agora.
“Este é o melhor momento para acelerar as inovações automóveis, uma vez que os automóveis são um dos maiores poluidores do mundo, e quanto mais depressa conseguirmos reduzir essa contribuição, mais poderemos ajudar o clima”, afirma Elrefaie.
Ao observar o processo de design de novos carros, os pesquisadores descobriram que, embora existam modelos de IA que poderiam analisar muitos designs de carros para gerar designs ideais, os dados do carro que estão realmente disponíveis são limitados. Alguns pesquisadores já haviam reunido pequenos conjuntos de dados de projetos de carros simulados, enquanto os fabricantes de automóveis raramente divulgam as especificações dos projetos reais que exploram, testam e, por fim, fabricam.
A equipe procurou preencher a lacuna de dados, especialmente no que diz respeito à aerodinâmica de um carro, que desempenha um papel basic na definição da autonomia de um veículo elétrico, e à eficiência de combustível de um motor de combustão interna. O desafio, perceberam eles, period reunir um conjunto de dados de milhares de designs de automóveis, cada um dos quais fisicamente preciso na sua função e forma, sem o benefício de testar fisicamente e medir o seu desempenho.
Para construir um conjunto de dados de projetos de carros com representações fisicamente precisas de sua aerodinâmica, os pesquisadores começaram com vários modelos 3D básicos fornecidos pela Audi e BMW em 2014. Esses modelos representam três categorias principais de carros de passageiros: fastback (sedans com traseira inclinada last), notchback (sedans ou cupês com uma ligeira inclinação no perfil traseiro) e estateback (como peruas com traseira mais romba e plana). Os modelos básicos são pensados para preencher a lacuna entre designs simples e designs proprietários mais complicados, e têm sido usados por outros grupos como ponto de partida para explorar novos designs de carros.
Biblioteca de carros
Em seu novo estudo, a equipe aplicou uma operação de transformação a cada um dos modelos básicos de carros. Esta operação fez sistematicamente uma ligeira alteração em cada um dos 26 parâmetros de um determinado projeto de carro, como comprimento, características da parte inferior da carroceria, inclinação do para-brisa e banda de rodagem, que foi então rotulado como um projeto de carro distinto, que foi então adicionado ao crescente conjunto de dados. Enquanto isso, a equipe executou um algoritmo de otimização para garantir que cada novo projeto fosse realmente distinto, e não uma cópia de um projeto já gerado. Eles então traduziram cada projeto 3D em diferentes modalidades, de modo que um determinado projeto pudesse ser representado como uma malha, uma nuvem de pontos ou uma lista de dimensões e especificações.
Os pesquisadores também realizaram simulações complexas de dinâmica de fluidos computacionais para calcular como o ar fluiria em torno de cada projeto de carro gerado. No last, este esforço produziu mais de 8.000 formas de carros 3D distintas e fisicamente precisas, abrangendo os tipos mais comuns de automóveis de passageiros na estrada atualmente.
Para produzir este conjunto de dados abrangente, os pesquisadores gastaram mais de 3 milhões de horas de CPU usando o MIT SuperCloud e geraram 39 terabytes de dados. (Para efeito de comparação, estima-se que toda a coleção impressa da Biblioteca do Congresso equivaleria a cerca de 10 terabytes de dados.)
Os engenheiros dizem que os pesquisadores agora podem usar o conjunto de dados para treinar um modelo específico de IA. Por exemplo, um modelo de IA poderia ser treinado em uma parte do conjunto de dados para aprender configurações de carros que tenham certas aerodinâmicas desejáveis. Em segundos, o modelo poderá gerar um novo design de carro com aerodinâmica otimizada, com base no que aprendeu com os milhares de designs fisicamente precisos do conjunto de dados.
Os pesquisadores dizem que o conjunto de dados também pode ser usado para o objetivo inverso. Por exemplo, depois de treinar um modelo de IA no conjunto de dados, os projetistas poderiam alimentar o modelo com um projeto de carro específico e fazer com que ele estimasse rapidamente a aerodinâmica do projeto, que pode então ser usada para calcular a eficiência potencial de combustível ou autonomia elétrica do carro – tudo sem realizar construção e teste caros de um carro físico.
“O que este conjunto de dados permite é treinar modelos generativos de IA para fazer coisas em segundos, em vez de horas”, diz Ahmed. “Esses modelos podem ajudar a reduzir o consumo de combustível dos veículos de combustão interna e aumentar a autonomia dos carros elétricos – abrindo caminho para veículos mais sustentáveis e ecológicos.”
Este trabalho foi apoiado, em parte, pelo Serviço Alemão de Intercâmbio Acadêmico e pelo Departamento de Engenharia Mecânica do MIT.