【论文推荐】丰田联合MIT：AI赋能汽车造型设计的探索

这是一篇来自丰田研究院和MIT在2023年发表的联合研究成果，针对汽车设计领域和AI结合的探索。

论文摘要指出“现有的扩散模型在工程设计中应用受限，因为它们无法满足具体的工程约束。作者提出了基于物理引导（physics-based guidance），通过优化性能指标（如阻力系数）来生成符合要求的车辆图像。同时作为概念验证，他们修改了Stable Diffusion，加入阻力引导，生成低阻力的新车设计。”

基本核心点就是用AI生成汽车设计图时，结合代理模型等方法直接优化空气阻力，让车更省油、更酷！

作者提出的物理引导结合了代理模型（预测性能）和梯度优化，在生成过程中同时优化。 即方法实现方面，训练了一个阻力预测的代理模型，使用预训练的特征提取器（如CLIP、ViT、ResNet）加线性回归。然后，在扩散模型的采样过程中，将阻力梯度引入，通过修改采样步骤（类似PGD，投影梯度下降）来优化生成图像的阻力系数。

实验部分，展示了生成的新设计相比基础模型更符合空气动力学，同时保持了艺术风格。此外，阻力优化的引导还能重新设计现有车辆，降低阻力。代理模型在分布偏移下的鲁棒性也通过实验验证，预训练特征比随机特征更稳健。

最后作者指出，除了针对阻力优化，未来也可以扩展至其他物理指标（如结构强度、热力学性能），同时结合多目标开展优化（比如同时优化阻力与制造成本）；另外，也可以考虑研究更为复杂的代理模型架构（如图神经网络处理3D形状）应用到这个方法中。