- Các kỹ sư MIT đã phát triển bộ dữ liệu mã nguồn mở lớn nhất về thiết kế ô tô, bao gồm cả khí động học, có thể đẩy nhanh tốc độ thiết kế xe thân thiện với môi trường và xe điện
- Thiết kế ô tô là một quy trình lặp lại và độc quyền, thường kéo dài qua nhiều năm mô phỏng và thử nghiệm vật lý
- Các chi tiết như hiệu năng khí động học trong thiết kế ô tô thường không được công khai
- Có thể tận dụng các công cụ AI tạo sinh để tối đa hóa hiệu quả thiết kế, nhưng trước đây các AI này không có dữ liệu để học
- DrivAerNet++ và tầm quan trọng của bộ dữ liệu này
- Đây là bộ dữ liệu mã nguồn mở lớn nhất từng được phát triển trong lĩnh vực khí động học ô tô tính đến nay
- Bao gồm hơn 8.000 thiết kế ô tô, mỗi thiết kế được cung cấp ở định dạng 3D
- Cung cấp dữ liệu khí động học cùng thông tin hiệu năng dựa trên mô phỏng động lực học chất lỏng
- Các thiết kế trong bộ dữ liệu được cung cấp ở nhiều định dạng như mesh, point cloud và danh sách tham số thiết kế, nên có thể phù hợp với nhiều mô hình AI
- Có thể dùng để huấn luyện mô hình AI nhằm thiết kế hiệu quả hơn
- AI có thể học từ dữ liệu để nhanh chóng tạo ra các thiết kế mới
- Có thể tạo ra các kết quả thiết kế đột phá như cải thiện hiệu suất nhiên liệu và tăng quãng đường di chuyển của xe điện
- Giúp đơn giản hóa quy trình thiết kế, giảm chi phí nghiên cứu phát triển và thúc đẩy phát triển ô tô bền vững
- Quá trình phát triển bộ dữ liệu
- Tận dụng các mô hình 3D hiện có do Audi và BMW cung cấp từ năm 2014
- Bao gồm các danh mục xe du lịch chính như fastback, notchback, estateback
- Tạo ra nhiều thiết kế mới đa dạng bằng cách điều chỉnh 26 tham số trên các thiết kế hiện có
- Bao gồm chiều dài thiết kế, cấu trúc gầm xe, độ nghiêng cửa kính và chiều rộng bánh xe
- Các thiết kế được tạo ra được đảm bảo không trùng lặp nhờ thuật toán tối ưu hóa
- Được xây dựng bằng MIT SuperCloud với 3 triệu giờ CPU và 39 terabyte dữ liệu
- Các trường hợp sử dụng được kỳ vọng
- Mô hình AI có thể học từ bộ dữ liệu để nhanh chóng tạo ra các thiết kế ô tô mới với khí động học được tối ưu
- Có thể nhanh chóng dự đoán khí động học của một thiết kế ô tô cụ thể để tính mức tiêu thụ nhiên liệu hoặc quãng đường chạy của xe điện
- Được kỳ vọng sẽ thúc đẩy phát triển các phương tiện bền vững và thân thiện với môi trường
- Ý nghĩa của nghiên cứu
- Ô tô là một trong những nguồn gây ô nhiễm chính, nên đổi mới thiết kế đóng vai trò quan trọng trong bảo vệ môi trường
- Giờ đây có thể tạo ra các hình dạng ô tô 3D chính xác về mặt vật lý mà không cần thử nghiệm thực tế
- Nhóm nghiên cứu đánh giá rằng điều này đã đặt nền móng cho các công cụ thiết kế dựa trên AI thế hệ tiếp theo
- Kết quả nghiên cứu dự kiến sẽ được công bố tại hội nghị NeurIPS 2024
- Nghiên cứu nhận được hỗ trợ từ Cơ quan Trao đổi Hàn lâm Đức và Khoa Cơ khí MIT
- Repo dữ liệu: https://dataverse.harvard.edu/dataverse/DrivAerNet
- Theo dõi issue: https://github.com/Mohamedelrefaie/DrivAerNet
1 bình luận
Ý kiến trên Hacker News
Có ý kiến thắc mắc vì sao các mẫu xe điện mới lại được thiết kế tệ đến vậy về mặt kích thước và trọng lượng. Người này muốn một mẫu xe gia đình tiết kiệm nhưng không có nhiều lựa chọn.
Các tệp dữ liệu của DrivAerNet được cung cấp trên Dataverse của Đại học Harvard.
Có thể theo dõi issue của DrivAerNet trên GitHub.
Các tệp dữ liệu có dung lượng lên tới hàng trăm gigabyte và chỉ có thể đăng nhập bằng tài khoản của tổ chức. Có người dùng thuộc một viện nghiên cứu nhỏ hỏi liệu có thể mượn thông tin đăng nhập của người khác hay không.
Giấy phép Creative Commons Attribution-NonCommercial không phải là mã nguồn mở.
Có người dùng đang muốn thiết kế cánh bay/máy bay RC và hỏi liệu có thể thu được kết quả khí động học thông qua FOSS hay không.
Có ý kiến phàn nàn rằng tất cả các mẫu xe mới đều trông giống hệt nhau.
Có ý kiến cho rằng thiết kế này rất đẹp.
Có ý kiến cho rằng cách dùng từ 'verbing' khiến câu văn khó đọc.