भविष्य की कार डिजाइन करना चाहते हैं? यहां आपको शुरू करने के लिए 8,000 डिजाइन हैं। | मीट न्यूज

कार डिजाइन एक दोहराव और स्वामित्व प्रक्रिया है। कार निर्माता कारों के लिए डिजाइन चरण पर कई साल बिता सकते हैं, 3 डी फॉर्म्स को भौतिक परीक्षण के लिए एक बहुत ही आशाजनक डिजाइन बनाने से पहले सिमुलेशन में एक झटका दे सकते हैं। किसी दिए गए कार डिजाइन के वायुगतिकी सहित इन परीक्षणों के विवरण और चश्मे, आमतौर पर खुलासा नहीं किया जाता है। प्रदर्शन में महत्वपूर्ण प्रगति, जैसे कि ईंधन दक्षता या इलेक्ट्रिक वाहन रेंज, इसलिए यह कंपनी से कंपनी तक धीमी और साइकिल चला सकता है।

एमआईटी इंजीनियरों का कहना है कि बेहतर कार डिजाइन जल्दी से कृत्रिम खुफिया उपकरण उत्पन्न करने का उपयोग कर सकते हैं जो सेकंड में बड़ी मात्रा में डेटा लगा सकते हैं और उपन्यास डिजाइन का उत्पादन करने के लिए कनेक्शन पा सकते हैं। जब इस तरह के एआई उपकरण मौजूद होते हैं, तो उन्हें जो डेटा सीखने की आवश्यकता होती है, वह उपलब्ध नहीं होता है, कम से कम किसी भी तरह के सुलभ, केंद्रीय रूप में।

लेकिन अब, पहली बार, इंजीनियरों ने इस तरह के डेटासेट को सार्वजनिक रूप से उपलब्ध कराया है। डब ड्राइव ++, डेटासेट में 8,000 से अधिक कार डिजाइन शामिल हैं, जो आज दुनिया में सबसे आम प्रकार की कार के आधार पर इंजीनियरों का उत्पादन करते हैं। प्रत्येक डिज़ाइन को 3 डी रूप में पेश किया जाता है और इसमें कार के वायुगतिकी के बारे में जानकारी होती है – समूह डिज़ाइन किए गए डिजाइन के चारों ओर बहता है, जो प्रत्येक डिजाइन के लिए किए गए तरल गतिशीलता के सिमुलेशन के आधार पर होता है।

डेटासेट के प्रत्येक 8,000 डिजाइन कई अभ्यावेदन में उपलब्ध हैं, जैसे कि मेष, प्वाइंट क्लाउड या डिज़ाइन के आयामों और आयामों की एक सरल सूची। जैसे, डेटासेट का उपयोग विभिन्न एआई मॉडल द्वारा किया जा सकता है जो एक विशेष मोडुलिटी में डेटा को संसाधित करने के लिए ट्यून किए जाते हैं।

Drivernet ++ कार वायुगतिकी के लिए सबसे बड़ा खुला स्रोत डेटासेट है जिसे आज विकसित किया गया है। इंजीनियरों की कल्पना है कि इसका उपयोग वास्तविक कार डिजाइन के एक विस्तारित लाइब्रेरी के रूप में किया जाता 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 जल्दी से उपन्यास डिजाइन का उत्पादन कर सकते हैं जो संभावित रूप से अधिक ईंधन-कुशल कारों और लंबे समय तक इलेक्ट्रिक वाहनों को जन्म दे सकते हैं, उस समय के एक अंश में जो वे आज मोटर वाहन उद्योग लेते हैं।

एमआईटी मैकेनिकल इंजीनियरिंग के स्नातक छात्र मोहम्मद एलेरेफाई कहते हैं, “यह डेटासेट इंजीनियरिंग एआई एप्लिकेशन की आगामी वेतन पीढ़ी की खोज करता है, कुशल डिजाइन प्रक्रियाओं को बढ़ावा देता है, आर एंड डी खर्चों को कम करता है, और अधिक टिकाऊ मोटर वाहन भाग्य,” इंजीनियरिंग के एक स्नातक छात्र मोहम्मद एलेरेफाई कहते हैं। कहते हैं।

एलेरफी और इसके सहयोगी दिसंबर में न्यूरिप्स सम्मेलन में एक पेपर विस्तार से प्रस्तुत करेंगे, और एआई विधियाँ जो उस पर लागू हो सकती हैं। उनके सह-लेखक फेज अहमद हैं, जो एमआईटी में मैकेनिकल इंजीनियरिंग के एक सहायक प्रोफेसर हैं, साथ ही एंजेला दाई, म्यूनिख विश्वविद्यालय के कंप्यूटर विज्ञान और बीटा सीएई सिस्टम के फ्लोरीन मारर भी हैं।

डेटा अंतराल भरना

अहमद MIT में डिज़ाइन गणना और डिजिटल इंजीनियरिंग लैब (Decode) का नेतृत्व करता है, जहां उनके समूह AI और मशीन-लर्निंग टूल का उपयोग कार प्रौद्योगिकी सहित जटिल इंजीनियरिंग सिस्टम और उत्पादों की संरचना को बढ़ाने के लिए किया जा सकता है।

अहमद कहते हैं, “अक्सर एक कार डिजाइन करते समय, अगली प्रक्रिया इतनी महंगी होती है कि निर्माता केवल कार को एक संस्करण से दूसरे संस्करण में थोड़ा सा झटका दे सकते हैं।” “लेकिन अगर आपके पास बड़े डेटासेट हैं जहां आप प्रत्येक डिज़ाइन के प्रदर्शन को जानते हैं, तो आप अब मशीन-लर्निंग मॉडल को जल्दी से दोहराने के लिए प्रशिक्षित कर सकते हैं ताकि आपको बेहतर डिज़ाइन प्राप्त होने की संभावना हो।”

और गति, विशेष रूप से कार तकनीक को आगे बढ़ाने के लिए, विशेष रूप से दबाव 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,” एलेरफाई कहते हैं।

नई कार डिजाइन की प्रक्रिया को देखते हुए, शोधकर्ताओं ने पाया कि, जब एआई मॉडल होते हैं जो सबसे अच्छा डिज़ाइन बनाने के लिए कई कार डिजाइनों द्वारा क्रैंक कर सकते हैं, कार डेटा जो वास्तव में उपलब्ध है, सीमित है। कुछ शोधकर्ताओं ने पहले नकली कार डिजाइन के छोटे डेटासेट को इकट्ठा किया है, जबकि कार निर्माता शायद ही कभी पता लगाते हैं, परीक्षण करते हैं और अंततः उत्पादन करते हैं।

टीम ने विशेष रूप से कार वायुगतिकी के संदर्भ में डेटा अंतराल को भरने की मांग की, जो इलेक्ट्रिक वाहनों की सीमा और आंतरिक दहन इंजन की ईंधन दक्षता का निर्धारण करने में एक प्रमुख भूमिका निभाता है। चुनौती, उन्हें एहसास हुआ, ने हजारों कार डिजाइन डेटासेट को इकट्ठा किया था, जिनमें से प्रत्येक शारीरिक रूप से उनके काम और रूप में शारीरिक रूप से सटीक है, शारीरिक रूप से परीक्षण और उनके प्रभाव को मापने के लाभ के बिना।

अपने वायुगतिकी के शारीरिक रूप से सटीक प्रतिनिधित्व के साथ एक कार डिजाइन डेटासेट बनाने के लिए, शोधकर्ताओं ने 2014 में यूडीआई डी और बीएमडब्ल्यू द्वारा प्रदान किए गए कई बेसलाइन 3 डी मॉडल के साथ शुरुआत की। ये मॉडल यात्री कारों की तीन मुख्य श्रेणियों का प्रतिनिधित्व करते हैं: फास्टबैक (सेडान के साथ सेडान के साथ बैक एंड), नॉटबैक (उनके बैक प्रोफाइल में थोड़ा डूबे हुए सेडान या कूप) और एस्टेटबैक (जैसे कि अधिक कुंद, फ्लैट बैक स्टेशन वैगनों)। बेसलाइन मॉडल को सरल डिजाइन और अधिक जटिल स्वामित्व डिजाइनों के बीच की दूरी को हटाने के लिए माना जाता है, और नए कार डिजाइन का पता लगाने के लिए अन्य समूहों द्वारा शुरुआती बिंदु के रूप में उपयोग किया जाता है।

कार

अपने नए अध्ययन में, टीम ने प्रत्येक बेसलाइन कार मॉडल के लिए एक मॉर्फिंग ऑपरेशन लागू किया। यह ऑपरेशन किसी दिए गए कार डिजाइन के 26 आयामों को थोड़ा बदल देता है, जैसे कि इसकी लंबाई, अंडरबॉडी फीचर्स, विंडशील्ड ओप और व्हील ट्रेड, जिसने तब एक अलग कार डिजाइन को लेबल किया, जिसे तब बढ़ते में जोड़ा गया था। डेटासेट। इस बीच, टीम ने यह सुनिश्चित करने के लिए इष्टतम ptimization एल्गोरिथ्म को निष्पादित किया कि प्रत्येक नया डिज़ाइन वास्तव में अलग था, न कि पहले से उत्पन्न डिज़ाइन की एक प्रति। फिर उन्होंने प्रत्येक 3 डी डिज़ाइन को अलग -अलग तरीकों में अनुवाद किया, जैसे कि एक दिए गए डिज़ाइन को एक मेष, पॉइंट क्लाउड या आयाम और चश्मा की सूची के रूप में।

शोधकर्ताओं ने यह भी गणना करने के लिए एक जटिल, कम्प्यूटेशनल द्रव डायनेमिक्स सिमुलेशन का संचालन किया कि कैसे प्रत्येक कार डिजाइन के चारों ओर हवा बहती है। अंत में, इन प्रयासों द्वारा निर्मित 8,000 से अधिक विभिन्न, शारीरिक रूप से सटीक 3 डी कार रूप, जिनमें आज सड़क पर सबसे आम प्रकार की यात्री कार शामिल 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 का उत्पादन किया। (तुलना के लिए, यह अनुमान लगाया जाता है कि लाइब्रेरी कांग्रेस कांग्रेस का पूरा मुद्रित संग्रह डेटा के लगभग 10 टेराबाइट होगा।)

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, एआई मॉडल को डेटासेट के हिस्से पर कार कॉन्फ़िगरेशन सीखने के लिए प्रशिक्षित किया जा सकता है जिसमें एक निश्चित वांछनीय वायुगतिकी है। सेकंड में, मॉडल तब इष्टतम ptimise वायुगतिकी के साथ एक नई कार डिजाइन का उत्पादन कर सकता है, यह इस बात पर निर्भर करता है कि डेटासेट के हजारों शारीरिक रूप से सटीक डिजाइनों से क्या सीखा है।

शोधकर्ताओं का कहना है कि डेटासेट का उपयोग एक लक्ष्य में भी किया जा सकता है। उदाहरण के लिए, डेटासेट पर एआई मॉडल को प्रशिक्षित करने के बाद, डिजाइनर मॉडल को एक विशेष कार डिजाइन खिला सकते हैं और जल्दी से डिजाइन एरोडायनामिक्स का अनुमान लगा सकते हैं, जिसका उपयोग कार की संभावित ईंधन दक्षता या इलेक्ट्रिक रेंज की गणना करने के लिए किया जा सकता है – इसे ले जाने के बिना। एक भौतिक कार का महंगा निर्माण और परीक्षण।

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 वाहन का मार्ग प्रशस्त करते हैं।”

टोयोटा रिसर्च इंस्टीट्यूट के एक वरिष्ठ मशीन लर्निंग रिसर्च साइंटिस्ट यैंक्सिया झांग कहते हैं, “डेटासेट बहुत व्यापक है और इसमें विभिन्न प्रकार के सेट शामिल हैं जो शैली और प्रदर्शन दोनों को समझने के लिए मूल्यवान हैं।”

काम को आंशिक रूप से जर्मन अकादमिक एक्सचेंज सेवा और MIT में मैकेनिकल इंजीनियरिंग विभाग द्वारा समर्थित किया गया था।