8.000 neue Auto-Designs für eine nachhaltigere Zukunft
Forschende vom MIT haben einen Open-Source-Datensatz veröffentlicht, der mehr als 8.000 Fahrzeugdesigns enthält. Er soll die Basis sein, um künftig schneller und kostengünstig umweltfreundlichere Fahrzeuge zu entwickeln.
Die Autodesigns sind in mehreren Darstellungen verfügbar, zum Beispiel parametrisch, als Punkwolken, 3D-Netz oder Stromlinien.
Foto: Mit Genehmigung von Mohamed Elrefaie
Ein Auto zu entwerfen ist ein langwieriger Prozess, der neben einer Design- und Entwurfsphase auch 3D-Modelle sowie Simulationen beinhaltet. Diesen Prozess wollen Forschende vom MIT nun mit einem Open-Source-Datensatz beschleunigen und verbessern. Sie haben dazu den bisher größten Open-Source-Datensatz von Autodesigns namens DrivAerNet++ entwickelt. Dieser enthält über 8.000 Fahrzeugdesigns mit detaillierten Informationen zur Aerodynamik, basierend auf Strömungssimulationen. Der Datensatz soll den Einsatz von generativer KI beschleunigen, um schneller verbesserte, umweltfreundlichere Autodesigns zu entwickeln. Bislang gab es zwar die notwendigen KI-Tools, allerdings fehlten die Daten, mit denen sie trainiert werden können. Denn diese geben Automobilhersteller verständlicherweise nicht gern heraus. Zudem handelt es sich auch um besonders große Datenmengen, die erst einmal verarbeitet werden müssen.
Langwieriges Fräsen von Umform-Werkzeugen ist passé
Das Besondere an DrivAerNet++ ist, dass jedes der 8.000 Designs des Datensatzes in verschiedenen Darstellungen verfügbar ist – zum Beispiel als Netz, Punktwolke oder als einfache Liste der Designparameter und -abmessungen. Das bietet den Vorteil, dass sich der Datensatz von verschiedenen KI-Modellen nutzen lässt. Die Forschenden planen, mit dem KI-Modell neue Designs zu entwickeln. Automodelle, die so entstehen, könnten zum Beispiel weniger Kraftstoff benötigen oder mit Elektroantrieb eine größere Reichweite abdecken. Und das in einem Bruchteil der Zeit, welche die Automobilindustrie aktuell dafür benötigt.
Autos der Zukunft: Mehr Datensätze sorgen für bessere Ergebnisse
„Bei der Entwicklung eines Autos ist der Vorwärtsprozess oft so teuer, dass die Hersteller ein Auto von einer Version zur nächsten nur geringfügig optimieren können“, sagt Faez Ahmed vom MIT. „Wenn man jedoch über größere Datensätze verfügt, bei denen man die Leistung jedes Entwurfs kennt, kann man jetzt maschinelle Lernmodelle trainieren, um schnell zu iterieren, sodass man mit größerer Wahrscheinlichkeit ein besseres Design erhält.“ Die Forschenden fokussierten sich vor allem auf die Aerodynamik eines Autos. Sie spielt eine große Rolle, wenn es um die Festlegung der Reichweite eines Elektrofahrzeugs und um die Kraftstoffeffizienz eines Verbrennungsmotors geht.
Die Wissenschaftlerinnen und Wissenschaftler starteten dafür mit Basismodellen, welche ihnen die Hersteller Audi und BMW 2014 zur Verfügung gestellt hatten. Bei den Modellen gab es drei Kategorien: Fastback, also Limousinen mit schrägem Heck, Stufenheck – Limousinen oder Coupés mit einer leichten Abschrägung des Heckprofils oder auch einer leichten Einbuchtung – sowie Kombihecks, bei denen es sich um Kombis mit stumpfer und flacher Heckpartie handelt. Mit diesen Basismodellen wollten die Forschenden die Lücke zwischen einfachen und komplizierten Designs schließen.
Auto der Zukunft entstand durch intensives KI-Training
Die Forschenden nutzten zusätzlich eine Morphing-Variante, mit der 26 Parameter eines bestimmten Fahrzeugs leicht verändert wurden. Auf diese Art und Weise entstand ein eigenes Fahrzeugdesign und damit weitere Datensätze, mit denen die Forschenden ihr System trainieren konnten. Daraus entstanden neue Designs, welche im Anschluss ebenfalls die Strömungs-Simulationen durchlaufen konnten. Auch daraus ließen sich wieder neue Daten generieren, so dass am Ende mehr als 8.000 unterschiedliche, physikalisch genaue 3d-Autoformen vorlagen. Sie deckten zudem die gängigsten Pkw-Typen ab, die heute das Straßenbild ausmachen.
Die Forschenden gehen davon aus, dass sich der Datensatz dazu eignet, ein bestimmtes KI-Modell zu trainieren – mit dem Ziel, besondere Fahrzeugkonfigurationen zu entwickeln, die vor allem hinsichtlich der Aerodynamik einen deutlichen Fortschritt bedeuten. Darüber hinaus sind die Forschenden überzeugt, dass der Datensatz auch in anderer Richtung eine Hilfe darstellt: Man könne damit auch die Aerodynamik eines Automodells bewerten lassen und bekäme schnell und kostengünstig Ergebnisse, wie effizient das Auto beim Kraftstoffverbrauch ist, oder wie groß die elektrische Reichweite eines Autos ausfällt. „Mit diesem Datensatz können Sie generative KI-Modelle trainieren, um Dinge in Sekunden, statt in Stunden zu erledigen“, erklärt Ahmed. „Diese Modelle können dazu beitragen, den Kraftstoffverbrauch von Fahrzeugen mit Verbrennungsmotor zu senken und die Reichweite von Elektroautos zu erhöhen – und damit letztlich den Weg für nachhaltigere, umweltfreundlichere Fahrzeuge ebnen.“
Ein Beitrag von:
