Az MIT (Massachusetts Institute of Technology) mérnökei több mint nyolcezer elektromos jármű tervét hozták létre. Mesterséges intelligenciával összekombinálva, a tervekből a jövőben gyorsan készíthetők járművek.

A DriAerNet++ nyílt forrású adatbázisba gyűjtött tervek a leggyakoribb autótípusokon alapulnak, olyan 3D modellek, amelyek például az aerodinamikus kialakításról tartalmaznak infókat.

Elektronikus járművek tervezése évekig eltarthat, sok forrást elemésztenek, számos iterációval, felülvizsgálattal járnak míg a tervrajz végső változata el nem készül, amelyből fizikai prototípust építenek.

Mivel jogvédett vagy szabadalmaztatott termékekről van szó, a teszteredmények és a specifikációk, például a prototípusok aerodinamikája, szigorúan magánadatok maradnak. Ez a zártság azt jelenti, hogy az elektromos járművek változatlanul lassan fognak fejlődni.

Az új adatbázis exponenciálisan gyorsítaná fel a vonatkozó kutatásokat, járművek tervezését. Részletes specifikációs és aerodinamikai adatok találhatók benne, amelyek alapján MI-vel új járművek generálhatók. A lassú folyamat áramvonalasításával a gyártók minden korábbinál hamarabb készíthetnek tervrajzokat.

Az MIT-s kutatók leírták, hogy az adatkészlet miként kombinálható össze mesterséges intelligenciával. Az anyag óriási, mérete 39 terabájt. Létrehozása az MIT Szuperfelhőjén, egy távkapcsolattal is használható robusztus klaszteren keresztül, hárommillió CPU (központi feldolgozóegység) óráig tartott.

A csapat által használt algoritmus szisztematikusan módosított huszonhat paraméteren: jármű hosszúságán, alváz jellemzőin, futófelületen és a kerék formáján, szélvédő lejtésén stb. Egy másik algoritmust azért futtattak, hogy megállapítsa: az újonnan generált terv meglévő valaminek a másolata vagy teljesen új.

Az összes 3D tervet gépileg olvasható formátumokra konvertálták, végül komplex és rugalmasan dinamikus szimulációkat futtattak le, hogy tervenként kiszámítsák a levegő áramlását.

Ez a folyamat gyártóknak nagyon drága, mert az egyik változatról a másikra csak kicsit módosíthatják a járművet. Nagyobb adatkészletekkel és az összes terv teljesítményének ismeretében, gépitanulás-modellek gyors iterációkra taníthatók be, így pedig a terv is javul.

A kutatásfejlesztési költségek csökkenthetők, a fejlődés felgyorsítható az adatbázissal. A gyorsulás kulcsa az MI-integráció, amivel a jármű fűtő-hűtőrendszerét is optimalizálják. A termék így jóval hamarabb jut el az ügyfélhez.

Korábbi MI-modellekkel is generáltak látszatra optimalizált terveket, a gyakorlóadatok mennyisége viszont korlátozott volt. Az új adatkészlettel sokkal robusztusabb a tanulás, és fizikai prototípus nélkül is kiszámítható az adott elektromos jármű hatékonysága, hány kilométert tud megtenni egy töltéssel stb.