A IA passa de especialidade a infraestrutura no MIT
Segundo uma reportagem da MIT Technology Review sobre como os laboratórios do instituto estão implantando essa tecnologia, a inteligência artificial se tornou uma camada de trabalho na pesquisa do MIT. A matéria descreve a IA não como uma disciplina separada e restrita à ciência da computação, mas como uma ferramenta agora incorporada à engenharia mecânica, aos materiais aeroespaciais, aos sistemas de energia e à ciência experimental.
A mudança fica visível no trabalho de Sili Deng, professora associada de engenharia mecânica que estuda cinética de combustão, redução de emissões e síntese em chama de materiais energéticos. A trajetória de Deng até a IA foi moldada pelas interrupções causadas pela pandemia de covid. Depois de entrar para o corpo docente do MIT em 2019, ela estava montando seu laboratório quando as reformas foram interrompidas. Em vez de esperar, pediu à equipe que testasse onde o aprendizado de máquina poderia preencher lacunas na pesquisa sobre combustão.
Gêmeos digitais para sistemas de combustão
O Energy and Nanotechnology Group de Deng usou IA para desenvolver um gêmeo digital que espelha o desempenho de um dispositivo de energia e fluxo. Um gêmeo digital é uma réplica computacional de um sistema físico, projetada para refletir como esse sistema se comporta sob condições variáveis. Neste caso, o objetivo de longo prazo é prever e controlar sistemas de combustão de combustível em tempo real.
Essa meta importa porque os sistemas de combustão continuam centrais para muitas partes da economia de energia e transporte. Melhor previsão e controle podem ajudar pesquisadores a entender desempenho, emissões e estabilidade operacional de maneiras difíceis de captar apenas com testes físicos. O material de origem não afirma que o sistema já tenha alcançado controle total em tempo real na produção. Ele diz que o modelo deve, eventualmente, ser capaz de prever e controlar o funcionamento dos sistemas de combustão de combustível em tempo real.
O exemplo mostra uma das razões pelas quais a IA se espalhou tão rapidamente pelos laboratórios de pesquisa: ela pode ampliar o conhecimento científico existente em vez de substituí-lo. A equipe de Deng abordou o aprendizado de máquina pela ótica dos fundamentos da combustão, perguntando onde os métodos existentes tinham lacunas. Esse enquadramento é diferente de tratar a IA como um atalho genérico. Ele usa conhecimento de domínio para definir perguntas úteis e avaliar se a saída do modelo faz sentido.
Projeto de materiais aeroespaciais assistido por IA
A reportagem também descreve o trabalho de Zachary Cordero, professor associado de aeronáutica e astronáutica, que desenvolve materiais e estruturas inéditos para aplicações aeroespaciais emergentes. Cordero começou a usar IA depois de se conectar com Faez Ahmed, professor associado de engenharia mecânica especializado em aprendizado de máquina e otimização para projeto de engenharia.
Trabalhando com Ahmed e outros colaboradores em um projeto financiado pela U.S. Defense Advanced Research Projects Agency, Cordero desenvolveu uma ferramenta de IA para otimizar a composição do material de um blisk. Um blisk, ou disco com pás integradas, é um componente-chave em motores de turbina de jatos e foguetes. O trabalho busca melhorar o desempenho e a longevidade dos motores e pode contribuir para motores de foguete reutilizáveis mais confiáveis para veículos de lançamento de grande porte.
O comentário de Cordero no material de origem é revelador: ele disse que o sistema de IA ampliou a intuição humana em problemas em que a intuição é quase impossível. O projeto de materiais para sistemas aeroespaciais de alto desempenho envolve muitas variáveis interativas, incluindo composição, estrutura, durabilidade e condições de operação. A otimização por IA pode explorar espaços de projeto complexos que seriam difíceis para os humanos percorrerem manualmente.
Uma mudança mais ampla na prática de pesquisa
Os exemplos do MIT sugerem que o impacto científico mais imediato da IA pode vir de sua integração em áreas estabelecidas. Na pesquisa sobre combustão, ela pode modelar e, no fim, ajudar a controlar sistemas dinâmicos. Em materiais aeroespaciais, pode ajudar a otimizar componentes que precisam suportar condições extremas. Em todos os laboratórios, pode acelerar métodos e abrir novos caminhos para a descoberta.
O material de origem também cita o professor Ju Li, que argumenta que, se a IA receber autonomia para conduzir experimentos, tentar coisas diferentes, falhar e aprender com o processo, ela poderá evoluir para algo semelhante à inteligência humana. Essa ideia aponta além da modelagem e da otimização atuais, em direção a sistemas autônomos de pesquisa. O texto fornecido não diz que tais sistemas já alcançaram esse nível de autonomia; apresenta o conceito como uma possibilidade.
A lição prática é mais imediata. Os pesquisadores do MIT não estão esperando um único avanço universal em IA. Eles estão aplicando aprendizado de máquina a problemas científicos e de engenharia específicos em que dados, simulação e otimização podem mudar o ritmo do trabalho. O resultado é um ambiente de pesquisa em que a IA está se tornando parte do kit experimental.
Isso não elimina a necessidade de conhecimento humano. Os exemplos no material de origem mostram o contrário. Os pesquisadores ainda definem os sistemas, entendem as restrições físicas e julgam quais resultados importam. A IA amplia o espaço de busca e a capacidade de modelagem, mas as questões científicas continuam ancoradas no conhecimento de domínio.
Este artigo é baseado em uma reportagem da MIT Technology Review. Leia o artigo original.
Originally published on technologyreview.com