MIT lanza un dataset de 8,000 diseños de autos para impulsar la innovación en su fabricación

El diseño de automóviles es un proceso iterativo y exclusivo que puede llevar varios años. Los fabricantes dedican este tiempo a ajustar formas en 3D mediante simulaciones antes de avanzar con los diseños más prometedores hacia pruebas físicas. Sin embargo, los detalles y especificaciones de estas pruebas, incluyendo la aerodinámica de cada diseño, suelen permanecer en el ámbito privado. Esto provoca que los avances significativos en rendimiento, como la eficiencia del combustible o la autonomía de los vehículos eléctricos, sean lentos y estén aislados entre las distintas compañías.

Ingenieros del MIT han afirmado que la búsqueda de mejores diseños automovilísticos podría acelerarse exponencialmente gracias a herramientas de inteligencia artificial generativa. Estas herramientas pueden analizar grandes volúmenes de datos en cuestión de segundos, descubriendo conexiones que permiten generar diseños novedosos. A pesar de la existencia de tales herramientas, hasta ahora no había un acceso centralizado a los datos necesarios para su aprendizaje.

Un recurso innovador para el diseño automotriz

Recientemente, estos ingenieros han hecho público un conjunto de datos sin precedentes llamado DrivAerNet++, que incluye más de 8,000 diseños automovilísticos basados en los tipos más comunes de vehículos actuales. Cada diseño se presenta en forma tridimensional e incluye información sobre la aerodinámica del automóvil, lo cual se determina a partir de simulaciones de dinámica de fluidos realizadas por el equipo para cada modelo.

Cada uno de los 8,000 diseños disponibles en el conjunto puede ser representado en varias modalidades, como mallas o nubes de puntos, además de una lista simple con parámetros y dimensiones del diseño. Esta versatilidad permite su uso por diferentes modelos de IA adaptados a procesar datos en modalidades específicas.

Impulsando el futuro sostenible

DrivAerNet++ se posiciona como el mayor conjunto de datos abierto sobre aerodinámica automotriz desarrollado hasta la fecha. Los ingenieros prevén que sirva como una extensa biblioteca de diseños realistas que contengan datos detallados sobre aerodinámica, facilitando así un rápido entrenamiento para cualquier modelo de IA. Esto podría permitir la generación veloz de nuevos diseños que potencialmente lleven a automóviles más eficientes en combustible y vehículos eléctricos con mayor autonomía.

“Este conjunto establece las bases para la próxima generación de aplicaciones de IA en ingeniería, promoviendo procesos de diseño eficientes y reduciendo costos en I+D”, afirma Mohamed Elrefaie, estudiante graduado en ingeniería mecánica del MIT.

Desafíos y oportunidades

Elrefaie y su equipo presentarán un artículo sobre este nuevo conjunto y las metodologías aplicables durante la conferencia NeurIPS en diciembre. Junto a él están Faez Ahmed, profesor asistente en ingeniería mecánica del MIT; Angela Dai, profesora asociada de informática en la Universidad Técnica de Múnich; y Florin Marar, miembro de BETA CAE Systems.

A veces, al diseñar un automóvil, el proceso inicial resulta tan costoso que los fabricantes solo pueden hacer ajustes menores entre versiones. “Si cuentas con conjuntos más amplios donde conoces el rendimiento de cada diseño, puedes entrenar modelos de aprendizaje automático para iterar rápidamente y aumentar las probabilidades de obtener un mejor diseño”, explica Ahmed.

Una biblioteca digital para investigadores

La necesidad urgente por acelerar las innovaciones automotrices es evidente. “Estamos ante el mejor momento para impulsar cambios significativos en la industria del automóvil”, subraya Elrefaie. “Los vehículos son uno de los mayores contaminantes globales; reducir su impacto es crucial para ayudar al clima”.

A pesar del avance tecnológico actual, los investigadores encontraron limitaciones debido a la escasez realista del acceso a datos sobre diseños automovilísticos existentes. Aunque algunos grupos habían creado pequeños conjuntos simulados previamente, las especificaciones reales rara vez son divulgadas por los fabricantes.

Creación meticulosa del conjunto DrivAerNet++

Para construir este extenso conjunto con representaciones precisas aerodinámicamente hablando, los investigadores comenzaron con modelos 3D básicos proporcionados por Audi y BMW en 2014. Estos modelos abarcan tres categorías principales: fastback (sedanes con trasera inclinada), notchback (sedanes o coupés con ligera caída) y estateback (como las station wagons). Se considera que estos modelos sirven como puente entre diseños simples y aquellos más complejos y patentados.

A través del estudio reciente, el equipo aplicó operaciones morfológicas a cada modelo base modificando sistemáticamente 26 parámetros distintos por diseño. Este proceso culminó con más de 8,000 formas 3D únicas y físicamente precisas que reflejan los tipos más comunes actualmente disponibles.

Dedicación tecnológica impresionante

Para llevar a cabo esta investigación exhaustiva se utilizaron más de 3 millones horas CPU mediante el MIT SuperCloud generando así 39 terabytes de datos —una magnitud comparable a toda la colección impresa de la Biblioteca del Congreso estadounidense—. Gracias a este esfuerzo monumental ahora es posible entrenar modelos específicos utilizando este conjunto único.

Los investigadores también destacan que este conjunto puede facilitar estimaciones rápidas sobre aerodinámica basándose en diseños específicos introducidos al modelo AI entrenado previamente. “Lo que permite este conjunto es entrenar modelos generativos para realizar tareas en segundos”, concluye Ahmed. “Esto puede contribuir significativamente a reducir el consumo energético tanto en vehículos tradicionales como aumentar la autonomía eléctrica”.

La noticia en cifras

Preguntas sobre la noticia