Nội dung bài viết
AI tìm thấy giá trị trong môn đua xe thể thao, nhân rộng các nguồn lực động lực học chất lỏng tính toán có giới hạn. Kể từ khi cánh gió được đưa vào xe đua vào giữa những năm 1960, luồng không khí là tất cả trong đua xe.
Cho đến thời điểm đó, trọng tâm là làm cho chiếc ô tô trơn nhất có thể; lực cản ít hơn có nghĩa là tốc độ tối đa trên đường thẳng cao hơn.
Sau đó, các nhà thiết kế như Jim Hall tại Chaparral và Colin Chapman tại Lotus nhận ra rằng họ có thể sử dụng không khí để đẩy chiếc xe vào đường đua, tăng độ bám đường và cho phép nó lao nhanh hơn qua các góc cua. Mọi thứ đã không còn như cũ kể từ đó.
Việc tìm kiếm lực ép khí động học bắt đầu như một thứ nghệ thuật đen tối. Việc sử dụng các đường hầm gió để mô phỏng hiệu ứng của nó trên các mô hình quy mô của ô tô vẫn còn ở giai đoạn sơ khai, vì vậy các đội hầu như bị giới hạn trong các thử nghiệm trên đường đua đắt tiền và đôi khi nguy hiểm.
Nhưng các đường hầm gió có thể chạy cả ngày lẫn đêm, dù mưa hay nắng và bạn không thể đâm xe hoặc làm bị thương người lái xe (hoặc tệ hơn) trong quá trình này.
Công việc trong hầm gió càng trở nên quan trọng hơn khi F1 bắt đầu hạn chế các cuộc thử nghiệm trên đường đua nhằm giúp các đội cắt giảm ngân sách. Do đó, các đội sẽ làm việc với các mô hình nhiều nhất có thể trước khi xác thực kết quả trong các phiên thử nghiệm giới hạn mà họ được phép.
tính toán Tiếp theo là mô phỏng động lực học chất lỏng (CFD). Trong các cuộc đua, mọi người đều tìm kiếm lợi thế so với đối thủ của mình và cuối cùng, người ta đã có thể lập mô hình, với độ trung thực nhất định, tác động của luồng không khí lên mô hình ảo của một chiếc ô tô.
Sim CFD không chỉ rẻ hơn thời gian trong hầm gió mà còn có tốc độ lặp lại nhanh hơn nhiều.
Công việc thiết kế ban đầu hiện được thực hiện trong silico trước khi được xác nhận bằng các mô hình quy mô trong hầm gió, vì hầu hết các loạt giải—bao gồm Công thức 1, Giải vô địch sức bền thế giới, Công thức E và NASCAR—đã hạn chế chặt chẽ việc thử nghiệm trên đường đua.
Nhưng khi CFD ngày càng có nhiều tính năng hơn, nó cũng trở nên đắt hơn. Có thể mất hàng nghìn giờ bộ xử lý để lập mô hình một chiếc ô tô và hàng chục nghìn giờ nữa khi bạn bắt đầu khám phá tác động của những thứ như độ cao và độ lệch.
Điều này cũng đã trở thành một nút thắt mới đối với các đội đua xe thể thao, đó là lý do tại sao họ ngày càng tìm đến AI để đóng vai trò là người trợ giúp tiếp theo.
Không giống như trong môi trường văn phòng, không có nơi nào để che giấu khi nói đến thiết kế xe đua: Chiếc xe có tính cạnh tranh hoặc không. Nếu một công cụ không giúp điều đó xảy ra, thì dù thế nào đi nữa, sếp của họ sẽ không bảo họ sử dụng nó.
Hôm nay, IBM và Dallara đã công bố nghiên cứu mới cho thấy điều đó' Có thể đào tạo những người thay thế AI để chạy mô phỏng trong vài giây mà thông thường sẽ mất hàng giờ và với tỷ lệ lỗi tương đương.
Bạn có thể chưa nghe nói về Dallara, nhưng bạn đã từng thấy những chiếc xe của nó — nó thiết kế và xây dựng toàn bộ lưới Indy Car và Super Formula, cũng như nhiều dòng xe trung chuyển một chỗ ngồi.
Nó cũng đã tạo ra nhiều nguyên mẫu thể thao trong suốt nhiều năm, chế tạo khung gầm bằng sợi carbon cho các chương trình Le Mans như Audi và Ferrari, cũng như xương sống hoặc cột sống mà BMW, Cadillac và sắp tới là McLaren sẽ sử dụng cho nguyên mẫu của họ.
Trong nghiên cứu này, IBM đã cung cấp cho toán tử thần kinh Gauge-Invariant Spectral Transformer mới của mình một lượng dữ liệu CFD khổng lồ trên nguyên mẫu thể thao LMP2 mô phỏng (hãy nghĩ đến loại nhanh nhất nhưng có một tại Le Mans).
Cho đến thời điểm hiện tại, các mô hình CFD được công bố rộng rãi đều tập trung vào hình dạng ô tô chạy trên đường trơn, nhưng bộ dữ liệu của Dallara cho phép công ty lập mô hình những thứ như cách thức hoạt động của bánh xe quay tương tác với sàn xe có hình dạng như thế nào, cả trong điều kiện ở trạng thái ổn định và vào cua.
Sau khi nhận thấy rằng GIST hoạt động tốt hơn các công cụ công cộng khác—nhờ duy trì “tính linh hoạt của cách biểu diễn đám mây điểm trong khi xử lý nghiêm ngặt bề mặt như một đa tạp lưới,"—các tác giả cho thấy nó chính xác như một mô phỏng CFD thông thường trong việc mô hình hóa các hệ số lực kéo và lực xuống trên một loạt các góc khuếch tán phía sau.
Nhưng GIST có thể thực hiện điều đó trong vài giây trên một CPU duy nhất, "so với hàng chục nghìn giờ cốt lõi mà một chiến dịch CFD tương đương sẽ yêu cầu," các nhà nghiên cứu viết.
cũng giới hạn nghiêm ngặt số giờ mà một đội có thể sử dụng đường hầm gió—có thể chỉ ở quy mô 60%—cũng như số giờ mô phỏng CFD.
Điều này một phần là để giảm chi phí, nhưng nó cũng được sử dụng để cân bằng hiệu suất—bạn càng đạt được vị trí cao hơn trong chức vô địch trong một năm thì bạn càng được phép làm ít đường hầm gió và thời gian CFD hơn.
Vì vậy, các đội như Red Bull đã chuyển sang Neural Concept, một công ty khởi nghiệp giúp ít nhất bốn đội F1 sử dụng máy học để mô hình hóa khí động học và các thách thức như cách làm mát các tế bào trong động cơ hybrid. bộ pin của đơn vị.
“Đó là một cách để trích xuất tất cả giá trị bạn có thể nhận được từ tín dụng CFD và theo dõi thử nghiệm cũng như thời gian nội bộ mà bạn có.
Nhưng vâng, đó thực sự là một cách o Đi từ 100 hoặc 1.000 lần chạy CFD để có thể có 1 triệu điểm dữ liệu vào cuối ngày,” Pierre Baqué, Giám đốc điều hành và người sáng lập của Neural Concept cho biết.
“Nghe có vẻ kỳ diệu, nhưng thực tế là độ chính xác của mô hình chỉ được đảm bảo trong một phạm vi tình huống cụ thể không quá xa so với những gì bạn đã khám phá,” Baqué nói với tôi.
“Vì vậy, tất cả mẹo và khoảng cách từ ý tưởng đến giá trị là tìm ra đâu là quy trình làm việc phù hợp, loại nào dữ liệu tôi cần tạo để có thể khám phá loại cấu hình nào sau đó trong loại cài đặt nào và tần suất tôi cần đào tạo lại mô hình của mình, tất cả việc vệ sinh dữ liệu xung quanh quy trình thiết kế.” Ars Technica đã tách tín hiệu khỏi tiếng ồn trong hơn 25 năm.
Với sự kết hợp độc đáo giữa hiểu biết về kỹ thuật và mối quan tâm sâu rộng đến nghệ thuật và khoa học công nghệ, Ars là nguồn đáng tin cậy trong biển thông tin. Suy cho cùng, bạn không cần phải biết mọi thứ, chỉ cần biết những gì quan trọng.
Gợi ý thực hành:
1. Theo dõi thông báo từ cơ quan địa phương tại California.
2. Kiểm tra nguồn chính thức trước khi chia sẻ lại thông tin.