क्या आप भविष्य की कार डिज़ाइन करना चाहते हैं? आरंभ करने के लिए यहां 8,000 डिज़ाइन हैं

एमआईटी इंजीनियरों ने अपने वायुगतिकी सहित कार डिजाइनों का सबसे बड़ा ओपन-सोर्स डेटासेट विकसित किया, जो पर्यावरण के अनुकूल कारों और इलेक्ट्रिक वाहनों के डिजाइन को गति दे सकता है।

कार डिज़ाइन एक पुनरावृत्तीय और स्वामित्व प्रक्रिया है। कार निर्माता कार के डिज़ाइन चरण पर कई साल बिता सकते हैं, भौतिक परीक्षण के लिए सबसे आशाजनक डिज़ाइन बनाने से पहले सिमुलेशन में 3 डी रूपों को बदल सकते हैं। किसी दिए गए कार डिज़ाइन के वायुगतिकी सहित इन परीक्षणों के विवरण और विशिष्टताओं को आम तौर पर सार्वजनिक नहीं किया जाता है। प्रदर्शन में महत्वपूर्ण प्रगति, जैसे कि ईंधन दक्षता या इलेक्ट्रिक वाहन रेंज, इसलिए धीमी हो सकती है और कंपनी से कंपनी तक चुप हो सकती है।

एमआईटी इंजीनियरों का कहना है कि जेनरेटर आर्टिफिशियल इंटेलिजेंस टूल के उपयोग से बेहतर कार डिजाइन की खोज तेजी से तेज हो सकती है जो सेकंड में बड़ी मात्रा में डेटा के माध्यम से हल कर सकती है और एक उपन्यास डिजाइन उत्पन्न करने के लिए कनेक्शन ढूंढ सकती है। हालांकि ऐसे एआई उपकरण मौजूद हैं, लेकिन जिस डेटा से उन्हें सीखना होगा वह उपलब्ध नहीं है, कम से कम किसी भी प्रकार के सुलभ, केंद्रीकृत रूप में।

लेकिन अब, इंजीनियरों ने पहली बार ऐसा डेटासेट जनता के लिए उपलब्ध कराया है। DriveAerNet++ नामक डेटासेट में 8,000 से अधिक कार डिज़ाइन शामिल हैं, जिन्हें इंजीनियरों ने आज दुनिया में सबसे आम प्रकार की कारों के आधार पर तैयार किया है। प्रत्येक डिज़ाइन को 3डी रूप में दर्शाया गया है और इसमें कार के वायुगतिकीय के बारे में जानकारी शामिल है – जिस तरह से किसी दिए गए डिज़ाइन के चारों ओर हवा प्रवाहित होगी, यह समूह द्वारा प्रत्येक डिज़ाइन के लिए किए गए द्रव गतिशीलता के सिमुलेशन पर आधारित है।

डेटासेट के 8,000 डिज़ाइनों में से प्रत्येक कई अभ्यावेदन में उपलब्ध है, जैसे जाल, बिंदु क्लाउड, या डिज़ाइन के मापदंडों और आयामों की एक सरल सूची। इस प्रकार, डेटासेट का उपयोग विभिन्न एआई मॉडल द्वारा किया जा सकता है जो एक विशेष तौर-तरीके में डेटा को संसाधित करने के लिए ट्यून किए जाते हैं।

DriveAerNet++ कार एयरोडायनामिक्स के लिए अब तक विकसित किया गया सबसे बड़ा ओपन-सोर्स डेटासेट है। इंजीनियरों की कल्पना है कि इसे विस्तृत वायुगतिकी डेटा के साथ यथार्थवादी कार डिजाइनों की एक व्यापक लाइब्रेरी के रूप में उपयोग किया जा सकता है जिसका उपयोग किसी भी एआई मॉडल को तुरंत प्रशिक्षित करने के लिए किया जा सकता है। ये मॉडल उतनी ही तेजी से नए डिज़ाइन तैयार कर सकते हैं जो संभावित रूप से अधिक ईंधन-कुशल कारों और लंबी दूरी के इलेक्ट्रिक वाहनों को जन्म दे सकते हैं, जो कि आज ऑटोमोटिव उद्योग को लगने वाले समय के एक अंश में है।

एमआईटी में मैकेनिकल इंजीनियरिंग स्नातक छात्र मोहम्मद एलरेफाई कहते हैं, “यह डेटासेट इंजीनियरिंग में अगली पीढ़ी के एआई अनुप्रयोगों की नींव रखता है, कुशल डिजाइन प्रक्रियाओं को बढ़ावा देता है, आर एंड डी लागत में कटौती करता है, और अधिक टिकाऊ ऑटोमोटिव भविष्य की ओर प्रगति करता है।”

एलरेफाई और उनके सहयोगी दिसंबर में न्यूरआईपीएस सम्मेलन में नए डेटासेट और उस पर लागू किए जा सकने वाले एआई तरीकों का विवरण देने वाला एक पेपर प्रस्तुत करेंगे। उनके सह-लेखक एमआईटी में मैकेनिकल इंजीनियरिंग के सहायक प्रोफेसर फैज़ अहमद, म्यूनिख के तकनीकी विश्वविद्यालय में कंप्यूटर विज्ञान के एसोसिएट प्रोफेसर एंजेला दाई और बीटा सीएई सिस्टम्स के फ्लोरिन मरार हैं।

डेटा गैप भरना

अहमद एमआईटी में डिज़ाइन कंप्यूटेशन और डिजिटल इंजीनियरिंग लैब (डीकोडीई) का नेतृत्व करते हैं, जहां उनका समूह उन तरीकों की खोज करता है जिनमें एआई और मशीन-लर्निंग टूल का उपयोग कार प्रौद्योगिकी सहित जटिल इंजीनियरिंग सिस्टम और उत्पादों के डिजाइन को बढ़ाने के लिए किया जा सकता है।

अहमद कहते हैं, “अक्सर कार को डिज़ाइन करते समय, आगे की प्रक्रिया इतनी महंगी होती है कि निर्माता कार को एक संस्करण से दूसरे संस्करण में केवल थोड़ा सा बदलाव कर सकते हैं।” “लेकिन अगर आपके पास बड़े डेटासेट हैं जहां आप प्रत्येक डिज़ाइन के प्रदर्शन को जानते हैं, तो अब आप मशीन-लर्निंग मॉडल को तेजी से पुनरावृत्त करने के लिए प्रशिक्षित कर सकते हैं ताकि आपको बेहतर डिज़ाइन मिलने की अधिक संभावना हो।”

और गति, विशेष रूप से उन्नत कार प्रौद्योगिकी के लिए, अब विशेष रूप से दबाव डाल रही है।

एलरेफाई का कहना है, “यह कार नवाचारों में तेजी लाने का सबसे अच्छा समय है, क्योंकि ऑटोमोबाइल दुनिया के सबसे बड़े प्रदूषकों में से एक है, और जितनी तेज़ी से हम उस योगदान को कम कर सकते हैं, उतना ही अधिक हम जलवायु में मदद कर सकते हैं।”

नई कार डिज़ाइन की प्रक्रिया को देखने पर, शोधकर्ताओं ने पाया कि, हालांकि ऐसे एआई मॉडल हैं जो इष्टतम डिज़ाइन उत्पन्न करने के लिए कई कार डिज़ाइनों के माध्यम से क्रैंक कर सकते हैं, जो कार डेटा वास्तव में उपलब्ध है वह सीमित है। कुछ शोधकर्ताओं ने पहले नकली कार डिज़ाइनों के छोटे डेटासेट इकट्ठे किए थे, जबकि कार निर्माता शायद ही कभी उन वास्तविक डिज़ाइनों के विवरण जारी करते हैं जिन्हें वे खोजते हैं, परीक्षण करते हैं और अंततः निर्मित करते हैं।

टीम ने डेटा अंतर को भरने की कोशिश की, विशेष रूप से कार के वायुगतिकी के संबंध में, जो एक इलेक्ट्रिक वाहन की सीमा और आंतरिक दहन इंजन की ईंधन दक्षता निर्धारित करने में महत्वपूर्ण भूमिका निभाता है। उन्हें एहसास हुआ कि चुनौती, हजारों कार डिज़ाइनों के डेटासेट को इकट्ठा करने में थी, जिनमें से प्रत्येक भौतिक परीक्षण और उनके प्रदर्शन को मापने के लाभ के बिना, उनके कार्य और रूप में भौतिक रूप से सटीक है।

अपने वायुगतिकीय के भौतिक रूप से सटीक प्रतिनिधित्व के साथ कार डिजाइनों का एक डेटासेट बनाने के लिए, शोधकर्ताओं ने कई बेसलाइन 3 डी मॉडल के साथ शुरुआत की जो 2014 में ऑडी और बीएमडब्ल्यू द्वारा प्रदान किए गए थे। ये मॉडल यात्री कारों की तीन प्रमुख श्रेणियों का प्रतिनिधित्व करते हैं: फास्टबैक (ढलान वाली पीठ वाली सेडान) अंत), नॉचबैक (सेडान या कूप जिनकी पिछली प्रोफ़ाइल में थोड़ी गिरावट होती है) और एस्टेटबैक (जैसे कि अधिक कुंद, सपाट पीठ वाले स्टेशन वैगन)। माना जाता है कि बेसलाइन मॉडल सरल डिज़ाइन और अधिक जटिल मालिकाना डिज़ाइन के बीच की खाई को पाटते हैं, और अन्य समूहों द्वारा नई कार डिज़ाइन की खोज के लिए शुरुआती बिंदु के रूप में उपयोग किया जाता है।

कारों की लाइब्रेरी

अपने नए अध्ययन में, टीम ने प्रत्येक बेसलाइन कार मॉडल पर एक मॉर्फिंग ऑपरेशन लागू किया। इस ऑपरेशन ने किसी दिए गए कार डिज़ाइन में 26 मापदंडों में से प्रत्येक में व्यवस्थित रूप से थोड़ा बदलाव किया, जैसे कि इसकी लंबाई, अंडरबॉडी विशेषताएं, विंडशील्ड ढलान और व्हील ट्रेड, जिसे बाद में इसे एक विशिष्ट कार डिज़ाइन के रूप में लेबल किया गया, जिसे बाद में बढ़ते हुए जोड़ा गया। डेटासेट इस बीच, टीम ने यह सुनिश्चित करने के लिए एक अनुकूलन एल्गोरिदम चलाया कि प्रत्येक नया डिज़ाइन वास्तव में अलग था, और पहले से तैयार किए गए डिज़ाइन की प्रतिलिपि नहीं थी। फिर उन्होंने प्रत्येक 3डी डिज़ाइन को अलग-अलग तौर-तरीकों में अनुवादित किया, जैसे कि किसी दिए गए डिज़ाइन को एक जाल, एक बिंदु बादल, या आयामों और विशिष्टताओं की सूची के रूप में दर्शाया जा सकता है।

शोधकर्ताओं ने यह गणना करने के लिए जटिल, कम्प्यूटेशनल तरल गतिशीलता सिमुलेशन भी चलाया कि प्रत्येक उत्पन्न कार डिजाइन के चारों ओर हवा कैसे प्रवाहित होगी। अंत में, इस प्रयास ने 8,000 से अधिक विशिष्ट, शारीरिक रूप से सटीक 3डी कार रूपों का उत्पादन किया, जिसमें आज सड़क पर सबसे आम प्रकार की यात्री कारें शामिल हैं।

इस व्यापक डेटासेट का उत्पादन करने के लिए, शोधकर्ताओं ने एमआईटी सुपरक्लाउड का उपयोग करके 3 मिलियन से अधिक सीपीयू घंटे खर्च किए, और 39 टेराबाइट्स डेटा उत्पन्न किया। (तुलना के लिए, यह अनुमान लगाया गया है कि कांग्रेस लाइब्रेरी का संपूर्ण मुद्रित संग्रह लगभग 10 टेराबाइट डेटा का 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, एक एआई मॉडल को कार कॉन्फ़िगरेशन सीखने के लिए डेटासेट के एक हिस्से पर प्रशिक्षित किया जा सकता है जिसमें कुछ वांछनीय वायुगतिकी होती है। कुछ ही सेकंड में, मॉडल अनुकूलित वायुगतिकी के साथ एक नई कार डिजाइन तैयार कर सकता है, जो कि डेटासेट के हजारों शारीरिक रूप से सटीक डिजाइनों से सीखी गई बातों पर आधारित है।

शोधकर्ताओं का कहना है कि डेटासेट का उपयोग विपरीत लक्ष्य के लिए भी किया जा सकता है। उदाहरण के लिए, डेटासेट पर एआई मॉडल को प्रशिक्षित करने के बाद, डिजाइनर मॉडल को एक विशिष्ट कार डिजाइन फीड कर सकते हैं और डिजाइन के वायुगतिकीय का तुरंत अनुमान लगा सकते हैं, जिसका उपयोग कार की संभावित ईंधन दक्षता या इलेक्ट्रिक रेंज की गणना करने के लिए किया जा सकता है – यह सब बिना किए एक भौतिक कार का महँगा निर्माण और परीक्षण।

अहमद कहते हैं, “यह डेटासेट आपको जेनेरिक एआई मॉडल को घंटों के बजाय सेकंड में काम करने के लिए प्रशिक्षित करने की अनुमति देता है।” “ये मॉडल आंतरिक दहन वाहनों के लिए ईंधन की खपत को कम करने और इलेक्ट्रिक कारों की रेंज बढ़ाने में मदद कर सकते हैं – अंततः अधिक टिकाऊ, पर्यावरण के अनुकूल वाहनों के लिए मार्ग प्रशस्त कर सकते हैं।”

पेपर: “ड्राइवएयरनेट++: कम्प्यूटेशनल फ्लूइड डायनेमिक्स सिमुलेशन और डीप लर्निंग बेंचमार्क के साथ एक बड़े पैमाने पर मल्टीमॉडल कार डेटासेट”

वीडियो: “ड्राइवएयरनेट++: कम्प्यूटेशनल फ्लूइड डायनेमिक्स सिमुलेशन के साथ एक बड़े पैमाने पर मल्टीमॉडल कार डेटासेट”