MIT lanza un innovador conjunto de datos con 8,000 diseños de automóviles para acelerar la I+D en el sector automotriz

El diseño de automóviles es un proceso iterativo y privado. Los fabricantes pueden invertir varios años en la fase de diseño, ajustando formas en 3D mediante simulaciones antes de llevar a cabo pruebas físicas de los diseños más prometedores. Sin embargo, los detalles y especificaciones de estas pruebas, como la aerodinámica de un diseño específico, generalmente no se hacen públicos. Esto provoca que los avances significativos en rendimiento, como la eficiencia del combustible o el rango de vehículos eléctricos, sean lentos y aislados entre empresas.

Ingenieros del MIT afirman que la búsqueda de mejores diseños automovilísticos puede acelerarse exponencialmente gracias al uso de herramientas de inteligencia artificial generativa, capaces de procesar grandes volúmenes de datos en segundos para encontrar conexiones que generen un diseño innovador. Aunque existen tales herramientas, los datos necesarios para su aprendizaje no habían estado disponibles en una forma accesible y centralizada.

Ahora, estos ingenieros han puesto a disposición del público un conjunto de datos llamado DrivAerNet++, que incluye más de 8,000 diseños de automóviles. Este conjunto fue generado basándose en los tipos más comunes de coches actuales. Cada diseño está representado en forma 3D e incluye información sobre la aerodinámica del vehículo — cómo el aire fluiría alrededor de un diseño determinado, basado en simulaciones realizadas por el grupo.

Cada uno de los diseños del conjunto está disponible en varias representaciones, como mallas, nubes de puntos o una lista simple con parámetros y dimensiones del diseño. Así, este conjunto puede ser utilizado por diferentes modelos de IA adaptados a procesar datos en modalidades específicas.

DrivAerNet++ es el mayor conjunto de datos de código abierto sobre aerodinámica automotriz desarrollado hasta la fecha. Los ingenieros prevén que sirva como una biblioteca extensa de diseños realistas, con datos detallados sobre aerodinámica que pueden utilizarse para entrenar rápidamente cualquier modelo de IA. Estos modelos podrían generar nuevos diseños que potencialmente lleven a coches más eficientes en combustible y vehículos eléctricos con mayor autonomía, todo ello en una fracción del tiempo requerido actualmente por la industria automotriz.

"Este conjunto establece las bases para la próxima generación de aplicaciones de IA en ingeniería, promoviendo procesos de diseño eficientes, reduciendo costos en I+D y avanzando hacia un futuro automotriz más sostenible", afirma Mohamed Elrefaie, estudiante graduado en ingeniería mecánica del MIT.

Faez Ahmed, líder del Laboratorio DeCoDE (Design Computation and Digital Engineering) del MIT, explica que "a menudo al diseñar un automóvil, el proceso es tan costoso que los fabricantes solo pueden hacer pequeños ajustes entre versiones". Con conjuntos de datos más amplios donde se conoce el rendimiento de cada diseño, ahora es posible entrenar modelos de aprendizaje automático para iterar rápidamente y así aumentar las probabilidades de obtener un mejor diseño.

La necesidad urgente por acelerar las innovaciones automotrices es evidente: "Los automóviles son uno de los mayores contaminantes del mundo; cuanto más rápido podamos reducir esa contribución, más podremos ayudar al clima", añade Elrefaie.

A medida que investigaban el proceso del nuevo diseño automotriz, los investigadores notaron que aunque existen modelos AI capaces de analizar muchos diseños para generar opciones óptimas, los datos disponibles son limitados. Algunos investigadores habían reunido pequeños conjuntos simulados anteriormente; sin embargo, los fabricantes rara vez publican las especificaciones reales que exploran y prueban antes de fabricar.

El equipo se propuso llenar este vacío informático respecto a la aerodinámica del automóvil —un factor clave para determinar el rango eléctrico y la eficiencia del combustible— sin tener acceso a pruebas físicas. Para construir este conjunto preciso, comenzaron con varios modelos 3D básicos proporcionados por Audi y BMW, representando tres categorías principales: fastback (sedanes con parte trasera inclinada), notchback (sedanes o coupés con ligera caída trasera) y estateback (como las furgonetas). Estos modelos sirven como puente entre diseños simples y complejos.

A lo largo del estudio reciente, aplicaron operaciones morfológicas a cada modelo base ajustando 26 parámetros distintos —como longitud o características bajo el chasis— etiquetándolos como nuevos diseños añadidos al creciente conjunto. Utilizaron algoritmos para garantizar que cada nuevo diseño fuera único y tradujeron cada representación 3D a diferentes modalidades.

A través complejas simulaciones computacionales sobre dinámica fluidas calcularon cómo fluiría el aire alrededor de cada diseño generado. Como resultado final obtuvieron más de 8,000 formas 3D distintas, físicamente precisas y representativas de los tipos más comunes hoy día.

Para crear este extenso conjunto se emplearon más de 3 millones horas CPU utilizando el MIT SuperCloud, generando 39 terabytes (para comparación: toda la colección impresa de la Biblioteca del Congreso equivale aproximadamente a 10 terabytes).

Dichos conjuntos permiten ahora a los investigadores entrenar modelos específicos; por ejemplo, un modelo podría aprender configuraciones con aerodinámicas deseables y generar rápidamente nuevos diseños optimizados. También podría usarse inversamente: tras entrenar un modelo AI con estos datos se podría alimentar un diseño específico para estimar su aerodinámica sin necesidad costosa construcción física.

"Lo que permite este conjunto es entrenar modelos generativos AI para realizar tareas en segundos", concluye Ahmed. "Estos modelos pueden contribuir a reducir el consumo en vehículos convencionales e incrementar la autonomía eléctrica —allá donde se pavimenta el camino hacia vehículos más sostenibles". Este trabajo cuenta con apoyo parcial del Servicio Alemán Intercambio Académico y el Departamento de Ingeniería Mecánica del MIT.