Muitos desafios de engenharia se resumem a uma mesma dor de cabeça — muitas variáveis para ajustar e poucas chances para testá-las. Seja ajustando uma rede de energia ou projetando um veículo mais seguro, cada avaliação pode ser cara, e pode haver centenas de variáveis que podem importar.
Considere o design de segurança automotiva. Engenheiros devem integrar milhares de peças, e muitas escolhas de design podem afetar o desempenho de um veículo em uma colisão. Ferramentas clássicas de otimização podem começar a ter dificuldades ao procurar a melhor combinação.
Pesquisadores do MIT desenvolveram uma nova abordagem que repensa como um método clássico, conhecido como otimização Bayesiana, pode ser usado para resolver problemas com centenas de variáveis. Em testes em benchmarks realistas de engenharia, como otimização de sistemas de energia, a abordagem encontrou as melhores soluções de 10 a 100 vezes mais rápido do que métodos amplamente utilizados.
A técnica deles utiliza um modelo de fundação treinado em dados tabulares que identifica automaticamente as variáveis que mais importam para melhorar o desempenho, repetindo o processo para refinar soluções cada vez melhores. Modelos de fundação são enormes sistemas de inteligência artificial treinados em vastos conjuntos de dados gerais. Isso permite que eles se adaptem a diferentes aplicações.
O modelo de fundação tabular dos pesquisadores não precisa ser constantemente retreinado enquanto trabalha em uma solução, aumentando a eficiência do processo de otimização. A técnica também oferece maiores ganhos de velocidade para problemas mais complicados, então pode ser especialmente útil em aplicações exigentes como desenvolvimento de materiais ou descoberta de medicamentos.
“Modelos modernos de IA e machine learning podem fundamentalmente mudar a forma como engenheiros e cientistas criam sistemas complexos. Nós criamos um algoritmo que não apenas pode resolver problemas de alta dimensão, mas também é reutilizável, podendo ser aplicado a muitos problemas sem a necessidade de começar tudo do zero”, diz Rosen Yu, estudante de pós-graduação em ciência e engenharia computacional e principal autor de um artigo sobre esta técnica .
Yu é acompanhado no artigo por Cyril Picard, ex-pós-doutorando e cientista de pesquisa do MIT, e Faez Ahmed, professor associado de engenharia mecânica e membro principal do MIT Center for Computational Science and Engineering. A pesquisa será apresentada na Conferência Internacional sobre Aprendizado
Fonte: MIT News AI
Publicado em 2026-03-04