CarBench: Das erste Benchmark für 3D-Aerodynamik von Autos

Mit CarBench eröffnet ein neues Kapitel in der datengetriebenen Fahrzeugentwicklung. Das Projekt stellt das erste umfassende Benchmarking-Framework für hochauflösende 3‑D‑Simulationen von Automobilen vor und liefert damit einen entscheidenden Standard für die Bewertung von KI‑Modellen in der Aerodynamik.

Im Mittelpunkt steht DrivAerNet++, das bislang größte öffentliche Datenset für Fahrzeug‑CFD, das über 8.000 hochpräzise Simulationen umfasst. CarBench nutzt diese Datenbasis, um die Leistungsfähigkeit moderner neuronaler Architekturen systematisch zu vergleichen.

Die Studie bewertet elf unterschiedliche Modelle, die in vier Hauptkategorien fallen: neuronale Operatoren wie der Fourier Neural Operator, geometrische Deep‑Learning‑Ansätze (PointNet, RegDGCNN, PointMAE, PointTransformer), transformer‑basierte Solver (Transolver, Transolver++, AB‑UPT) sowie implizite Feldnetzwerke (TripNet). Diese Vielfalt ermöglicht einen breiten Einblick in die Stärken und Schwächen der aktuellen Techniken.

Ein besonderes Augenmerk liegt auf Cross‑Category‑Tests: Transformer‑basierte Solver, die ausschließlich an einem Fahrzeugtyp trainiert wurden, werden auf völlig unbekannte Fahrzeugkategorien angewendet. Diese Experimente zeigen, wie gut die Modelle generalisieren und welche Anpassungen nötig sind, um in realen Design‑Workflows eingesetzt zu werden.

Die Analyse umfasst vier zentrale Kriterien: Vorhersagegenauigkeit, physikalische Konsistenz, Rechenleistung und statistische Unsicherheit. Durch die Kombination dieser Metriken liefert CarBench ein ganzheitliches Bild der Modellperformance, das für Entwickler und Forscher gleichermaßen wertvoll ist.

Um die Forschung weiter voranzutreiben, stellt das Team das komplette Benchmark‑Framework inklusive Trainingspipelines und Evaluationsskripten als Open‑Source‑Projekt bereit. Damit wird ein transparentes, reproduzierbares Umfeld geschaffen, in dem neue Ideen schnell getestet und validiert werden können.