هوش مصنوعی طراحی خودرو را ۷۰٪ سریع‌تر می‌کند؛ اما استانداردسازی ایمنی در بن‌بست است

صنعت خودروسازی در حال حاضر در یک چرخه فیزیکی سخت و بی‌رحمانه گرفتار شده است. مصرف‌کنندگان به طور فزاینده‌ای خواهان خودروهای برقی هستند که بتوانند با یک بار شارژ، ۶۴۰ کیلومتر (معادل ۴۰۰ مایل) بُرد داشته باشند، که این امر مستلزم یک بسته باتری بزرگ و سنگین است. این وزن اضافه، انرژی بسیار بیشتری برای حرکت نیاز دارد و در نتیجه برای حفظ همان بُرد، باتری بزرگ‌تری را می‌طلبد. شکستن این چرخه نیازمند کاهش وزن ساختاری رادیکال در کل معماری خودرو است، اما روش‌های مهندسی سنتی تا حد زیادی به بن‌بست رسیده‌اند. برای مصرف‌کننده‌ای که منتظر یک خودروی برقی ارزان‌تر و با بُرد طولانی‌تر است، این نبرد پنهان بر سر نحوه مهندسی خودروها تعیین می‌کند که آیا آن خودرو سال آینده می‌رسد یا در سال ۲۰۳۰، و اینکه آیا ۴۰,۰۰۰ دلار قیمت خواهد داشت یا ۶۰,۰۰۰ دلار.[5]

رویکرد سنتی برای کاهش وزن از یک پلتفرم خودرو – سوراخ کردن، نازک کردن پنل‌های فولادی و جایگزینی قطعات فولادی سنگین با آلومینیوم سبک‌تر – فرآیندی ذاتاً کند و تکراری است. سال‌ها مهندسی متوالی با استفاده از طراحی به کمک کامپیوتر (CAD) طول می‌کشد تا چند کیلوگرم از وزن معماری خودرو کاسته شود. یک مهندس باید قطعه را به صورت دستی طراحی کند، آن را از نرم‌افزار شبیه‌سازی عبور دهد، نقاط ضعف را شناسایی کند، هندسه را بازطراحی کند و این فرآیند را ده‌ها بار تکرار کند. این روش آزمون و خطای مبتنی بر انسان، به سادگی برای همگام شدن با چرخه‌های توسعه سریع مورد نیاز بازار خودروهای برقی مدرن، بسیار کند است.[1]

در اینجا، طراحی مولد مبتنی بر هوش مصنوعی وارد می‌شود؛ فناوری‌ای که اساساً جریان کار مهندسی را معکوس می‌کند. به جای اینکه یک مهندس انسانی به صورت دستی قطعه‌ای را ترسیم کرده و محدودیت‌های آن را آزمایش کند، مهندس مجموعه‌ای از محدودیت‌های دقیق را به یک الگوریتم می‌دهد. این ورودی‌ها شامل ظرفیت تحمل بار مورد نیاز، نقاط دقیق نصب، فضای موجود برای بسته‌بندی در شاسی و روش ساخت خاصی است که برای تولید قطعه نهایی استفاده خواهد شد. سپس الگوریتم، کل فرآیند ایده‌پردازی را به دست می‌گیرد و با استفاده از قدرت عظیم رایانش ابری، کل فضای طراحی ریاضی را در عرض چند ساعت بررسی می‌کند.[1]

الگوریتم مولد، در چارچوب محدودیت‌های تعریف شده، هزاران هندسه بالقوه تولید می‌کند و از هر تکرار برای ساخت سازه‌های بسیار بهینه شده درس می‌گیرد. قطعات حاصل اغلب کاملاً عجیب به نظر می‌رسند؛ ساختارهای اسکلتی و ارگانیکی که بیشتر شبیه استخوان یا شاخه‌های درخت هستند تا قطعات سنتی و بلوک‌مانند خودرو. از آنجایی که الگوریتم مواد را دقیقاً فقط در جایی قرار می‌دهد که برای تحمل تنش مکانیکی و مسیرهای بار مورد نیاز است، هندسه‌هایی تولید می‌کند که هیچ مهندس انسانی به طور طبیعی به آن فکر نمی‌کند و در عین حال که هر گرم جرم غیرضروری را حذف می‌کند، یکپارچگی ساختاری کلی قطعه را حفظ یا حتی بهبود می‌بخشد.[1][3]

مزایای نظری کارایی ارائه شده توسط این رویکرد حیرت‌انگیز است و اساساً اقتصاد توسعه خودرو را تغییر می‌دهد. داده‌های صنعتی نشان می‌دهد که الگوریتم‌های مولد می‌توانند چرخه توسعه اولیه برای یک قطعه خاص را تا ۷۰٪ کاهش دهند و ماه‌ها کار تکراری CAD را به چند روز پردازش محاسباتی تبدیل کنند. در عین حال، این فناوری می‌تواند وزن قطعه را ۱۰٪ تا ۵۰٪ کاهش دهد و هزینه‌های کلی تولید را تا ۲۰٪ کم کند. برای یک برنامه خودروی برقی که در آن هر کیلوگرم صرفه‌جویی شده مستقیماً به بُرد باتری بیشتر، هندلینگ بهتر و هزینه‌های کمتر تولید باتری منجر می‌شود، این معیارها حکم جام مقدس مهندسی خودرو را دارند.[5]

خودروسازان بزرگ در حال حاضر این فناوری را با موفقیت قابل توجهی در برنامه‌های مختلف خودرو به کار گرفته‌اند. به عنوان مثال، جنرال موتورز (General Motors) از طراحی مولد برای مهندسی یک بست جدید کمربند ایمنی استفاده کرد – یک قطعه ایمنی حیاتی که باید در طول تصادف، نیروهای بار عظیمی را تحمل کند. الگوریتم، این بست را برای وزن و استحکام بسیار فراتر از توانایی انسان بهینه کرد و در نتیجه یک قطعه یکپارچه تولید شد که ۴۰٪ سبک‌تر و ۲۰٪ قوی‌تر از مجموعه چند تکه‌ای اصلی بود. تویوتا (Toyota) و نیسان (Nissan) نیز به طور مشابه از پلتفرم‌های مدل‌سازی مبتنی بر هوش مصنوعی برای تولید سازه‌های سبک وزن و آیرودینامیک استفاده می‌کنند که تعادل کاملی بین فرم و عملکرد ایجاد کرده و داده‌های پیچیده‌ای در مورد ضرایب درگ و پارامترهای ایمنی را به هوش مصنوعی می‌دهند.[1][4]

فراتر از سخت‌افزار فیزیکی، این فناوری در حال تغییر شکل سیستم عصبی نامرئی خودرو نیز هست. شرکت زیمنس (Siemens) قابلیت‌های طراحی مولد را در مجموعه نرم‌افزاری Capital خود ادغام کرده تا پیکربندی‌های پیچیده سیم‌کشی الکتریکی را سنتز کند. از آنجایی که معماری‌های مدرن خودرو به طور فزاینده‌ای متمرکز شده و برای ویژگی‌های رانندگی خودران به شبکه‌های داده با سرعت بالا متکی هستند، سیم‌کشی فیزیکی به طور تصاعدی پیچیده‌تر می‌شود. الگوریتم‌های مولد به طور خودکار طرح‌بندی‌های سیم‌کشی را تولید می‌کنند که الزامات سختگیرانه فضا، ایمنی و عملکرد را برآورده می‌کنند، در نتیجه مقدار زیادی از زمان مهندسی صرفه‌جویی شده و تداوم داده‌ها در کل پلتفرم توسعه تضمین می‌شود.[3]

اما با وجود این مزایای نظری عظیم، یک گلوگاه پنهان وجود دارد که انقلاب طراحی مولد را تهدید می‌کند. در حالی که هوش مصنوعی می‌تواند یک هندسه بهینه شده را در عرض چند ساعت ارائه دهد، صنعت جهانی خودرو بر اساس یک قرن استانداردسازی تأیید ایمنی و انطباق نظارتی بنا شده است. تنظیم‌کننده‌ها، مهندسان ایمنی و تأسیسات تست تصادف دقیقاً می‌دانند که یک مقطع جعبه‌ای فولادی سنتی چگونه در یک برخورد با سرعت بالا مچاله می‌شود، تا می‌خورد و انرژی را جذب می‌کند. آن‌ها دهه‌ها داده تاریخی و مدل‌های ریاضی تثبیت شده دارند تا عملکرد آن را قبل از ساخت هر نمونه اولیه فیزیکی، تأیید کنند.[5]

با این حال، آن‌ها داده‌های تاریخی برای یک گره تیتانیومی اسکلتی که توسط هوش مصنوعی تولید شده، ندارند. از آنجایی که طراحی مولد، مسیرهای بار کاملاً جدید و ساختارهای ارگانیک تولید می‌کند، نهادهای تأیید ایمنی فاقد چارچوب‌های استاندارد مورد نیاز برای ارزیابی سریع آن‌ها هستند. این امر مستلزم یک بازنگری گسترده در فرآیند تأیید ایمنی است. خروجی الگوریتم باید از طریق شبیه‌سازی‌های دیجیتالی جامع و سفارشی‌سازی شده و تست‌های تصادف فیزیکی گسترده تأیید شود تا ثابت شود که هندسه عجیب و غریب واقعاً از سرنشینان در دنیای واقعی محافظت خواهد کرد. این فرآیند تأیید دقیق و غیر استاندارد، به سرعت زمان صرفه‌جویی شده در مرحله ایده‌پردازی الگوریتمی اولیه را می‌بلعد.[2][5]

علاوه بر این، طراحی مولد اغلب اشکالی تولید می‌کند که ساخت فیزیکی آن‌ها با استفاده از روش‌های تولید سنتی با حجم بالا مانند پرس‌کاری (stamping) یا ماشین‌کاری CNC پایه، غیرممکن است. اگر الگوریتم از همان ابتدا به شدت برای ریخته‌گری پیشرفته، آهنگری یا تولید افزایشی (additive manufacturing) محدود نشود، قطعه حاصل چیزی بیش از یک شیء دیجیتالی بی‌فایده نخواهد بود. همانطور که عملگرایان تولید اشاره می‌کنند، یک بودجه واقع‌بینانه برای پیاده‌سازی طراحی مولد بر روی یک قطعه تولیدی خودرو، چهار تا شش ماه زمان مهندسی تقویمی فقط برای تفسیر، تأیید نهایی، انطباق ابزارها و صلاحیت فرآیند است. محدودیت‌های تولید باید ورودی مطالعه باشند، نه ملاحظات بعدی.[2]

این واقعیت، محاسبات انقلاب طراحی مولد را اساساً تغییر می‌دهد. در حالی که الگوریتم‌های مولد واقعاً می‌توانند زمان ایده‌پردازی اولیه قطعه را تا ۷۰٪ کاهش دهند، اما گلوگاه‌های تأیید نهایی، ابزارسازی و تأیید ایمنی، بیش از نیمی از آن صرفه‌جویی زمانی را جذب می‌کنند. شتاب خالص توسعه در سطح خودرو به ۳۰٪ یا ۴۰٪ نزدیک‌تر است – که یک دستاورد بسیار مهم است و بدون شک صنعت را تغییر داده و محصول نهایی را بهبود می‌بخشد، اما بسیار دور از انقلاب فوری و دکمه‌ای است که اغلب توسط فروشندگان نرم‌افزار وعده داده می‌شود. گلوگاه واقعی دیگر سرعت تخیل انسان نیست، بلکه سرعت تأیید فیزیکی است.[5]

برای خریدار معمولی خودرو، این تحول مهندسی نامرئی به این معنی است که نسل بعدی خودروهای برقی احتمالاً دارای قطعات ساختاری یکپارچه و ارگانیک خواهند بود که زیر بدنه پنهان شده‌اند و بُرد بسیار بهتر، هندلینگ بهبود یافته و ایمنی پیشرفته‌ای را ارائه می‌دهند. با این حال، تا زمانی که نهادهای نظارتی مانند NHTSA (اداره ملی ایمنی ترافیک بزرگراه‌های آمریکا) چارچوب‌های تأیید خود را برای ارزیابی طرح‌های الگوریتمی به همان سرعتی که تولید می‌شوند، تطبیق ندهند، وعده یک چرخه توسعه خودروی اساساً سریع‌تر و ارزان‌تر، در آزمایشگاه تأیید باقی خواهد ماند. خودروهای آینده از قبل طراحی شده‌اند؛ ما فقط منتظریم تا سیستم ثابت کند که آن‌ها ایمن هستند.[5]