Samo projektowanie szybkich samochodów od zawsze było grą z niewidzialnym przeciwnikiem. Nie wystarczy bowiem zbudować mocnego silnika, lekkiej konstrukcji i agresywnie wyglądającego nadwozia. Przy dużych prędkościach najważniejsze rzeczy dzieją się na styku karoserii z powietrzem, bo to właśnie ono dociska auto do asfaltu, odrywa je od przyczepności, zwiększa opór i nawet chłodzi newralgiczne elementy. Dlatego właśnie zapowiedź współpracy IBM i Dallary jest tak intrygująca, bo skupia się na skróceniu czasu między pomysłem inżyniera a odpowiedzią, czy dany kształt nadwozia ma w ogóle sens. Nie mówimy tutaj o byle czym, a spadku z wielu godzin do poziomu sekund.
Dallara nic Wam nie mówi? Spokojnie, zaraz zacznie
Dallara jest jedną z tych firm, których nazwę kojarzymy ewidentnie słabiej niż Ferrari, Porsche czy McLarena, choć jej wpływ na motorsport jest przeogromny. Ta włoska grupa od ponad pół wieku projektuje i dostarcza samochody dla najważniejszych serii wyścigowych. Jej konstrukcje jeżdżą m.in. w IndyCar, Indy NXT, Formule 2, Formule 3 i Super Formule, a na dodatek pojawiają się w programach wytrzymałościowych WEC oraz IMSA. W przypadku IndyCar mówimy o samochodach pracujących przy średnich prędkościach przekraczających około 370 km/h, więc każde niedoszacowanie obciążeń aerodynamicznych może mieć bardzo poważne konsekwencje dla takich maszyn.
Czytaj też: Od dekad odbieraliśmy impulsy z kosmosu. Te dziwne sygnały ujawniły ukryte pola magnetyczne Słońca
Problem w tym, że współczesna aerodynamika samochodowa opiera się w dużej mierze na obliczeniowej mechanice płynów (CFD). W uproszczeniu chodzi o cyfrowe sprawdzanie, jak powietrze opływa nadwozie, skrzydła, dyfuzor, podłogę, koła i wszystkie drobne elementy, które przy dużych prędkościach zaczynają pracować jak osobne narzędzia do zarządzania strugą powietrza. Komputer nie “patrzy” wtedy na auto jak człowiek, tylko rozbija jego geometrię na gęstą siatkę punktów i powierzchni, a potem rozwiązuje równania opisujące przepływ, ciśnienie, naprężenia ścinające, opór i docisk.
Taka metoda jest potężna, ale jednocześnie powolna. Nawet wąska analiza jednej zmiany powierzchni może trwać kilka godzin, a przez to pełny proces rozwoju samochodu wyścigowego potrafi pochłaniać tygodnie lub miesiące iteracji. Zmienia się kąt, wysokość, szczelina, krzywizna, położenie elementu względem podłogi, a później trzeba sprawdzić, czy poprawa w jednym miejscu nie rozbiła zachowania auta w innym. Właśnie dlatego ograniczenia użycia CFD i tuneli aerodynamicznych są w motorsporcie tak istotnym elementem walki z kosztami. Tutaj właśnie wkracza IBM i sztuczna inteligencja.
Jak sztuczna inteligencja turbodoładuje działalność Dallary?
Do tej pory Dallara polegała na tradycyjnym sposobie iteracji oraz weryfikacji pomysłów poza symulacjami CFD. Firma zebrała tym samym ogromną ilość wiedzy z brutalnie praktycznego środowiska, bo z symulacji praktycznych, tuneli aerodynamicznych i rzeczywistych testów torowych z wieloletniego procesu walidacji. Czego z kolei potrzebuje każdy system sztucznej inteligencji? Właśnie danych wejściowych. Dopiętej do perfekcji bazy danych, która (w skrócie) “pokaże” SI, co jest dobre, co jest złe i czego ze sobą nie łączyć. Aerodynamiczne zbiory danych dla samochodów elektrycznych pokazują zresztą, jak bardzo jest to ważne.
Czytaj też: Korzystamy z nich od dekad, a i tak kryły nieznane właściwości. Sam się zdziwiłem naturą tych materiałów
Dlaczego też w ramach tej współpracy IBM rozwija wyspecjalizowane modele fundamentowe oparte na fizyce, trenowane na zastrzeżonych i zweryfikowanych danych aerodynamicznych Dallary. W kolejnym etapie planowane jest dołożenie pomiarów z tuneli aerodynamicznych i torów, ale już same dane symulacyjne dały pierwszy ciekawy wynik. Aby zweryfikować sens tego podejścia, inżynierowie wzięli na tapet samochód koncepcyjny, który przypomina klasę Le Mans Prototype 2.
W ramach tego testu specjaliści sprawdzali kilka konfiguracji tylnego dyfuzora, czyli elementu umieszczonego pod tylną częścią auta, który pomaga generować efektywny docisk i poprawia przyczepność. W tej pracy porównali klasyczne CFD z nowym modelem sztucznej inteligencji oparty na danych Dallary. Obie metody wskazały ten sam optymalny wariant, a margines błędu był zbliżony. Różnica pojawiła się w czasie: tradycyjna analiza zajęła kilka godzin, a model SI wykonał ocenę w około 10 sekund, więc przy całych setkach konfiguracji oznaczałoby to zejście z dni obliczeń do minut.
Czytaj też: Co to był za wyczyn! Fizycy zmierzyli ujemny czas
Nie oznacza to oczywiście końca CFD czy tuneli aerodynamicznych i nie oznacza też, że samochody wyścigowe za chwilę będą projektowane automatycznie od początku do końca. Znacznie rozsądniej patrzeć na to jak na nową warstwę roboczą między intuicją inżyniera a pełną symulacją. SI może bowiem podpowiedzieć, które kierunki mają potencjał, ale końcowa walidacja nadal musi przejść przez narzędzia o wyższej wierności i przez pomiary. Innymi słowy, zamiast za każdym razem uruchamiać pełną, kosztowną symulację CFD, inżynier może dostać błyskawiczną prognozę zachowania aerodynamicznego. Nie po to, aby od razu zamknąć temat i wysłać część do produkcji, lecz po to, aby szybciej odsiać słabe warianty i skierować najdroższe obliczenia tam, gdzie naprawdę warto je wykonać.
Model GIST, czyli dlaczego zwykłe “SI od kształtów” tu nie wystarczy?
Z technicznego punktu widzenia tego zastosowania SI najciekawszy fragment dotyczy wykorzystania specjalnego modelu GIST, czyli Gauge-Invariant Spectral Transformer. Geometria samochodu wyścigowego nie jest bowiem gładką bryłą, a bardzo złożoną siatką powierzchni, krawędzi, cienkich elementów i obszarów leżących blisko siebie, które mogą doświadczać zupełnie innych sił aerodynamicznych. Zwykłe potraktowanie takiej siatki jako chmury punktów może przegapić relacje między elementami, które fizycznie są kluczowe i tutaj właśnie wchodzi GIST. Ma on działać jako grafowy operator neuronowy, który lepiej wykorzystuje połączenia w siatce i zachowuje skalowanie liniowe względem jej rozmiaru.
Na tym jednak wyjątkowość współpracy IBM i Dallary się nie kończy, bo obejmuje również badanie komputerów kwantowych oraz hybrydowych metod kwantowo-klasycznych. Dzisiejszy konkret dotyczy jednak wyłącznie modeli SI przyspieszających analizę aerodynamiczną, a kwantowa obietnica jest na razie kierunkiem rozwojowym, który ma zostać sprawdzony pod kątem uzupełniania klasycznego procesu. Zwłaszcza przy złożonych problemach symulacyjnych. Nie jest to jednak obietnica rzucona na wiatr, bo przecież odnotowaliśmy już rekordy IBM w obliczeniach kwantowych oraz kwantowe układy IBM.
