Az MI-vel tervezett biztonságosabb autót a Porsche

Az autók két oldalán található küszöböknek védelmet kell nyújtaniuk az utasoknak az oldalirányú ütközésekkel szemben, továbbá az elektromos modellek esetében feladatuk kiegészül az akkumulátor védelmével is. A mérnökök tisztában vannak a küszöbök szerepének fontosságával, és ennek megfelelően nem sajnálják az időt és energiát annak optimalizálására.

Ütközéskor a küszöbnek egyenletesen, túl sok lokális fluktuáció nélkül kell gyűrődnie, és elnyelnie az ütközési energiát. A gyűrődés kívánt menete leírható egy görbével, amire a valódi komponens viselkedésének a lehető legjobban kell illeszkednie.

Mivel a fizikai ütközéstesztek drágák, az optimalizáláshoz számítógépes szimulációt alkalmaznak. Az elterjedt végeselem módszer esetében a teljes alkatrészt kisebb részekre bontják fel, melyek sarkait csomópontnak hívják. Az elemek és a pontok viselkedéséből lehet következtetni a teljes alkatrész viselkedésére, amiből következik, hogy nagyobb pontossághoz többre van szükség belőlük. A több elem azonban több számítást és hosszabb szimulációt jelent.

A Porsche mérnökeinek egy meg nem nevezett akkumulátoros elektromos modell küszöbjének optimalizálásához, a végeselem módszert alkalmazva – és a teljes járművet leképezve – egy 9,6 millió elemből és 6,6 millió csomópontból álló modellt kellett volna alkotniuk, amivel egy 128 mikroprocesszoros számítógép majdnem húsz óra alatt lett volna képes lefuttatni egyetlen ütközési szimulációt. Éppen ezért egy alternatív megoldásra volt szükség a potenciálisan több százezer küszöbváltozat teszteléséhez.

A megoldás az MI-ben rejlett

A megoldással Dr. Joachim Schaper, a Porsche mesterséges intelligenciáért (MI) és big datáért felelős vezetője, valamint társai szolgáltak. A mérnökök az MI kettő részterületét, az erősítéses tanulást és a neurális hálót kombinálták, hogy leszorítsák az optimalizálási időt. Az erősítéses tanulás esetében egy algoritmus folyamatosan tanul azáltal, hogy a jó döntésért jutalompontot, míg a rosszért büntetést kap. „Az algoritmus emlékszik a korábbi próbálkozásaira. Ezért tudja, hogy mi működött jól, és mi nem” – magyarázta el Schaper.

Az algoritmus feladata jelenesetben az volt, hogy fokozatosan egyre közelebb jusson a küszöb ideális struktúrájához. Az általa generált küszöbváltozatokon a szimulációkat neurális háló végezte el – mindet mindössze néhány másodperc alatt, szemben a konvencionális eljárásnál szükséges több órával.

Magát a neurális hálót végeselem módszerrel végzett összesen 548 darab ütközési szimuláció során nyert adatokkal tanították be. Ez elég volt ahhoz, hogy a neurális háló a konvencionális módszerével egyező pontossággal működhessen.

Az algoritmus számára 14 különböző falvastagság állt rendelkezésre, hogy azok kombinálásával megtalálja az ideális küszöbstruktúrát. Munkáját segítette, hogy az első, kiindulási variánst a mérnökök előre elkészítették számára. Néhány ezer iterácó után, és a konvencionális eljárás időigényének töredéke, 23 nap alatt meg is született az ideális küszöbváltozat.

További alkalmazások

Az MI-alapú szimulációs projekt 2020 végén kezdődött, 2021 első negyedévében pedig már rendelkezésre állt a neurális háló betanításához szükséges adatmennyiség. Maga a betanítás a második negyedévben történt meg, azzal párhuzamosan pedig az erősítéses tanulás algoritmusát is kidolgozták.

A Porschénál jelenleg azon dolgoznak, hogy a megoldást a frontális és hátirányú ütközések szimulációjában is felhasználják. Ezenkívül arra is megpróbálnak választ találni a mérnökök, hogy a neurális háló betanításához szükséges adatmennyiség mennyivel csökkenthető anélkül, hogy azzal rontanák a pontosságot.