Envie de concevoir la voiture du futur ? Voici 8 000 modèles pour vous aider à démarrer

La conception automobile est un processus itératif et exclusif. Les constructeurs automobiles peuvent passer plusieurs années sur la phase de conception d’une voiture, peaufinant les formes 3D lors de simulations avant de créer les conceptions les plus prometteuses pour les tests physiques. Les détails et les spécifications de ces tests, y compris l'aérodynamique d'une conception de voiture donnée, ne sont généralement pas rendus publics. Les progrès significatifs en matière de performances, comme en matière d’efficacité énergétique ou d’autonomie des véhicules électriques, peuvent donc être lents et cloisonnés d’une entreprise à l’autre.

Les ingénieurs du MIT affirment que la recherche de meilleures conceptions de voitures peut s'accélérer de façon exponentielle grâce à l'utilisation d'outils d'intelligence artificielle générative capables d'analyser d'énormes quantités de données en quelques secondes et de trouver des connexions pour générer une nouvelle conception. Bien que de tels outils d’IA existent, les données dont ils auraient besoin pour apprendre ne sont pas disponibles, du moins sous une forme centralisée et accessible.

Mais aujourd’hui, les ingénieurs ont pour la première fois mis un tel ensemble de données à la disposition du public. Baptisé DrivAerNet++, l'ensemble de données englobe plus de 8 000 modèles de voitures, générés par les ingénieurs sur la base des types de voitures les plus courants dans le monde aujourd'hui. L'étude est publiée sur le arXiv serveur de préimpression.

Chaque conception est représentée sous forme 3D et comprend des informations sur l'aérodynamique de la voiture, c'est-à-dire la façon dont l'air circulerait autour d'une conception donnée, sur la base de simulations de dynamique des fluides que le groupe a réalisées pour chaque conception.

Chacune des 8 000 conceptions de l'ensemble de données est disponible dans plusieurs représentations, telles qu'un maillage, un nuage de points ou une simple liste des paramètres et des dimensions de la conception. En tant que tel, l’ensemble de données peut être utilisé par différents modèles d’IA configurés pour traiter les données dans une modalité particulière.

DrivAerNet++ est le plus grand ensemble de données open source sur l'aérodynamique automobile développé à ce jour. Les ingénieurs envisagent de l’utiliser comme une vaste bibliothèque de conceptions de voitures réalistes, avec des données aérodynamiques détaillées pouvant être utilisées pour entraîner rapidement n’importe quel modèle d’IA. Ces modèles peuvent ensuite générer tout aussi rapidement de nouvelles conceptions susceptibles de conduire à des voitures et des véhicules électriques plus économes en carburant et dotés d’une plus grande autonomie, en une fraction du temps nécessaire à l’industrie automobile aujourd’hui.

« Cet ensemble de données jette les bases de la prochaine génération d'applications d'IA en ingénierie, promouvant des processus de conception efficaces, réduisant les coûts de R&D et favorisant les progrès vers un avenir automobile plus durable. » déclare Mohamed Elrefaie, étudiant diplômé en génie mécanique au MIT.

Elrefaie et ses collègues présenteront un article détaillant le nouvel ensemble de données et les méthodes d'IA qui pourraient y être appliquées, lors de la conférence NeurIPS 2024 en décembre à Vancouver. Ses co-auteurs sont Faez Ahmed, professeur adjoint de génie mécanique au MIT, Angela Dai, professeure agrégée d'informatique à l'Université technique de Munich, et Florin Marar de BETA CAE Systems.

Combler le manque de données

Ahmed dirige le Design Computation and Digital Engineering Lab (DeCoDE) du MIT, où son groupe explore les façons dont les outils d'IA et d'apprentissage automatique peuvent être utilisés pour améliorer la conception de systèmes et de produits d'ingénierie complexes, y compris la technologie automobile.

« Souvent, lors de la conception d'une voiture, le processus avancé est si coûteux que les constructeurs ne peuvent que légèrement modifier une voiture d'une version à l'autre, » dit Ahmed. « Mais si vous disposez d’ensembles de données plus volumineux dans lesquels vous connaissez les performances de chaque conception, vous pouvez désormais entraîner des modèles d’apprentissage automatique pour qu’ils itèrent rapidement afin d’avoir plus de chances d’obtenir une meilleure conception. »

Et la vitesse, en particulier pour faire progresser la technologie automobile, est particulièrement urgente à l’heure actuelle.

« C’est le meilleur moment pour accélérer les innovations automobiles, car les automobiles sont l’un des plus grands pollueurs au monde, et plus vite nous pouvons réduire cette contribution, plus nous pouvons aider le climat. » dit Elrefaie.

En examinant le processus de conception de nouvelles voitures, les chercheurs ont découvert que, même s’il existe des modèles d’IA capables de parcourir de nombreuses conceptions de voitures pour générer des conceptions optimales, les données sur les voitures réellement disponibles sont limitées. Certains chercheurs avaient déjà rassemblé de petits ensembles de données de conceptions de voitures simulées, tandis que les constructeurs automobiles publient rarement les spécifications des conceptions réelles qu'ils explorent, testent et finalement fabriquent.

L'équipe a cherché à combler le manque de données, notamment en ce qui concerne l'aérodynamique d'une voiture, qui joue un rôle clé dans la définition de l'autonomie d'un véhicule électrique, et le rendement énergétique d'un moteur à combustion interne. Le défi, ont-ils réalisé, consistait à rassembler un ensemble de données de milliers de modèles de voitures, dont chacun est physiquement précis dans sa fonction et sa forme, sans l'avantage de tester physiquement et de mesurer leurs performances.

Pour créer un ensemble de données de conceptions de voitures avec des représentations physiquement précises de leur aérodynamisme, les chercheurs ont commencé avec plusieurs modèles 3D de base fournis par Audi et BMW en 2014. Ces modèles représentent trois grandes catégories de voitures particulières : les fastback (berlines à dossier incliné). fin), tricorps (berlines ou coupés avec un léger creux dans leur profil arrière) et break (comme les breaks avec un dos plus plat et plus émoussé).

On pense que les modèles de base comblent le fossé entre les conceptions simples et les conceptions propriétaires plus complexes, et ont été utilisés par d'autres groupes comme point de départ pour explorer de nouvelles conceptions de voitures.

Bibliothèque de voitures

Dans leur nouvelle étude, l’équipe a appliqué une opération de morphing à chacun des modèles de voiture de base. Cette opération a systématiquement apporté une légère modification à chacun des 26 paramètres d'une conception de voiture donnée, tels que sa longueur, les caractéristiques du soubassement, l'inclinaison du pare-brise et la bande de roulement des roues, qu'elle a ensuite étiquetés comme une conception de voiture distincte, qui a ensuite été ajoutée à la liste croissante. ensemble de données.

Pendant ce temps, l’équipe a exécuté un algorithme d’optimisation pour s’assurer que chaque nouvelle conception était bien distincte et non une copie d’une conception déjà générée. Ils ont ensuite traduit chaque conception 3D en différentes modalités, de sorte qu'une conception donnée puisse être représentée sous forme de maillage, de nuage de points ou d'une liste de dimensions et de spécifications.

Les chercheurs ont également effectué des simulations informatiques complexes de dynamique des fluides pour calculer la façon dont l’air circulerait autour de chaque conception de voiture générée. Au final, cet effort a produit plus de 8 000 formes de voitures 3D distinctes et physiquement précises, englobant les types de voitures particulières les plus courantes sur la route aujourd'hui.

Pour produire cet ensemble de données complet, les chercheurs ont utilisé plus de 3 millions d’heures CPU à l’aide du MIT SuperCloud et généré 39 téraoctets de données. (À titre de comparaison, on estime que la totalité de la collection imprimée de la Bibliothèque du Congrès représenterait environ 10 téraoctets de données.)

Les ingénieurs affirment que les chercheurs peuvent désormais utiliser l’ensemble de données pour entraîner un modèle d’IA particulier. Par exemple, un modèle d’IA pourrait être entraîné sur une partie de l’ensemble de données pour apprendre les configurations de voitures présentant certaines caractéristiques aérodynamiques souhaitables. En quelques secondes, le modèle pourrait alors générer un nouveau design de voiture avec une aérodynamique optimisée, sur la base de ce qu'il a appris des milliers de conceptions physiquement précises de l'ensemble de données.

Les chercheurs affirment que l’ensemble de données pourrait également être utilisé pour l’objectif inverse. Par exemple, après avoir entraîné un modèle d'IA sur l'ensemble de données, les concepteurs pourraient alimenter le modèle en fonction d'une conception de voiture spécifique et lui faire estimer rapidement l'aérodynamique de la conception, qui peut ensuite être utilisée pour calculer l'efficacité énergétique potentielle ou l'autonomie électrique de la voiture, le tout sans effectuer d'opérations. construction et test coûteux d'une voiture physique.

« Ce que cet ensemble de données vous permet de faire, c'est de former des modèles d'IA génératifs pour faire des choses en quelques secondes plutôt qu'en heures, » dit Ahmed. « Ces modèles peuvent contribuer à réduire la consommation de carburant des véhicules à combustion interne et à augmenter l’autonomie des voitures électriques, ouvrant ainsi la voie à des véhicules plus durables et plus respectueux de l’environnement. »