A medida que las necesidades de los clientes y de la sociedad siguen cambiando rápidamente, el denominado Yokohama Lab está a la vanguardia de la investigación y el desarrollo de la Inteligencia Artificial de Nissan, donde ésta y los automóviles se encuentran.
¿Qué es el Yokohama lab?
Yokohama Lab es un centro de investigación de la provincia de Kanagawa (Japón) que estudia cómo utilizar la IA moderna basada en big data, destacando el análisis y la expresión de información en el ciberespacio para la fabricación de automóviles. Sin embargo, nuestros productos, los vehículos, existen en el mundo real. La misión del laboratorio de Yokohama es garantizar que los resultados obtenidos puedan aplicarse y utilizarse en la realidad, en lugar de limitarse al ciberespacio.
¿Cómo cambiará la IA la fabricación de automóviles?
Está claro que la IA puede aplicarse en diversos campos, como la I+D, la producción de vehículos e incluso el diseño. En el Laboratorio Yokohama exploramos constantemente diversas ideas para ver si la IA puede ayudar a resolver los retos a los que se enfrentan ingenieros y diseñadores.
Ejemplo de ello, es un modelo de predicción aerodinámica que ha reducido considerablemente el tiempo de cálculo.
¿Qué es la aerodinámica?
En pocas palabras, la aerodinámica es la forma en que un objeto se desplaza por el aire. El rendimiento aerodinámico incluye la resistencia, la fuerza que ejerce el aire sobre la parte delantera de un objeto; ¿Te has agachado alguna vez en bicicleta para atravesar fuertes vientos en contra? Estabas reduciendo la resistencia, y eso es crucial para los automóviles, puesto que afecta significativamente al kilometraje y al confort de marcha.
Actualmente, el rendimiento aerodinámico se evalúa realizando cálculos repetitivos y complejos en potentes ordenadores. Estos cálculos predicen indicadores de rendimiento y muestran el flujo de aire. Constituyen una de las técnicas de simulación en la fabricación de automóviles.
Para lograr resultados más precisos mediante la simulación, es necesario realizar un gran número de complejos cálculos; estos cálculos pueden requerir el funcionamiento de cientos de ordenadores durante varios días.
Como explica Kei Akasaka, experto en ingeniería aerodinámica asistida por ordenador, "ahora es muy difícil responder rápidamente a las peticiones repentinas de los diseñadores. Pueden hacer ligeros cambios en el diseño y quieren saber cuánto antes cómo repercute en la aerodinámica".
¿Puede la IA resolver el problema?
Akasaka se acercó al laboratorio de Yokohama con una pregunta: "¿Podemos resolver este problema utilizando IA?"
Se inició un proyecto de colaboración para desarrollar un modelo de predicción utilizando el aprendizaje profundo de IA que pudiera estimar rápidamente el coeficiente de resistencia alrededor de un automóvil, pero pronto se encontraron con un problema. Entrenar un modelo de IA de esta manera requiere una cantidad masiva de datos, a menudo necesitando decenas de millones de ordenadores. Por desgracia, la mayoría de los datos de simulación antiguos se habían borrado y la pequeña cantidad que quedaba no era adecuada para el aprendizaje automático.
Chen Fangge, científico de datos, explica cómo abordaron el problema, "Volvimos a calcularlo todo desde cero. Al mismo tiempo, establecimos reglas para guardar datos específicamente para el aprendizaje automático durante las simulaciones y determinamos los requisitos para el almacenamiento de datos. Tardamos más de un año en reunir datos suficientes para que los utilizara el modelo de IA".
Por desgracia, la cantidad de datos recopilados resultó insuficiente para alcanzar la precisión deseada. Necesitaban un enfoque diferente.
Chen afirma que, "A medida que aumentan los datos, mejora la precisión que también aumenta la dependencia. Para hacer frente a esto, experimentamos y trabajamos con Akasaka, entrenando el modelo con información emparejada, como ecuaciones de dinámica de fluidos, así como otras leyes físicas, además de la forma del auto".
Reducir el tiempo de predicción a segundos
En esta investigación, la IA fue capaz de acortar drásticamente la duración de las simulaciones aprendiendo la relación entre la forma del vehículo y su rendimiento aerodinámico a partir de una gran cantidad de datos.
El hecho de predecir el rendimiento aerodinámico de un nuevo diseño de auto podría hacerse ahora en unos segundos en lugar de en varios días.
Gracias a esta tecnología, diseñadores e ingenieros pueden explorar nuevos diseños en ciclos más cortos. Se espera que esto lleve a la creación de formas innovadoras de carrocería de vehículos que logren un mejor nivel de equilibrio entre diseño y aerodinámica.