Pesquisadores da Duke University criaram uma nova estrutura de inteligência artificial projetada para revelar regras claras e fáceis de entender por trás de algumas das dinâmicas mais complexas da natureza e da tecnologia moderna.
O sistema é inspirado no trabalho dos grandes “dinamicistas” da história, cientistas que estudam sistemas que mudam ao longo do tempo. Tal como Isaac Newton, muitas vezes considerado o primeiro dinamicista, desenvolveu as equações que ligam força e movimento, este tipo de inteligência artificial analisa dados que mostram como os sistemas complexos evoluem e depois gera equações que descrevem com precisão esse comportamento.
O que é único nesta abordagem é a sua capacidade de lidar com complexidades muito além das capacidades humanas. A IA pode pegar sistemas não lineares que envolvem centenas ou até milhares de variáveis em interação e reduzi-los a regras simples com muito menos dimensões.
Novas ferramentas para compreender as mudanças ao longo do tempo
O estudo foi publicado on-line em 17 de dezembro na revista complexidade npjapresenta aos cientistas uma nova e poderosa maneira de usar a inteligência artificial para estudar sistemas que evoluem ao longo do tempo, incluindo padrões climáticos, circuitos elétricos, dispositivos mecânicos e sinais biológicos.
“A descoberta científica sempre se baseou na descoberta de representações simplificadas de processos complexos”, disse Boyuan Chen, diretor do Laboratório de Robôs Universais da Duke e professor assistente de engenharia mecânica e ciência de materiais da família Dickinson. “Cada vez mais, temos os dados brutos de que necessitamos para compreender sistemas complexos, mas não as ferramentas para traduzir esta informação nas regras simplificadas em que os cientistas confiam. Colmatar esta lacuna é fundamental.”
Um exemplo clássico de simplificação vem da física. O caminho de uma bala de canhão depende de muitos fatores, incluindo velocidade e ângulo de lançamento, resistência do ar, mudanças nas condições do vento e até mesmo temperatura ambiente. Apesar desta complexidade, uma aproximação aproximada do seu movimento pode ser capturada por uma equação linear simples usando apenas a velocidade e o ângulo de lançamento.
Construído com base em ideias matemáticas de décadas
Esta simplificação reflete um conceito teórico desenvolvido pelo matemático Bernard Koopman na década de 1930. Koopman mostrou que sistemas não lineares complexos podem ser representados matematicamente usando modelos lineares. A nova estrutura de IA baseia-se diretamente nesta ideia.
Contudo, há um desafio importante. A representação de sistemas altamente complexos com modelos lineares muitas vezes requer a construção de centenas ou mesmo milhares de equações, cada uma relacionando uma variável diferente. Para pesquisadores humanos, lidar com esse nível de complexidade é difícil.
É aqui que a inteligência artificial se torna particularmente valiosa.
Como a IA reduz a complexidade
Esta estrutura estuda dados de séries temporais de experimentos e identifica os padrões mais significativos nas mudanças do sistema. Ele combina aprendizado profundo com restrições inspiradas na física para restringir o escopo de um sistema a um conjunto muito menor de variáveis que ainda captura seu comportamento fundamental. O resultado é um modelo compacto que se comporta matematicamente como um sistema linear, mantendo a complexidade do mundo real.
Para testar o método, os pesquisadores o aplicaram a uma variedade de sistemas. Eles vão desde o familiar movimento oscilante de um pêndulo até o comportamento não linear de circuitos elétricos, bem como modelos usados em ciências climáticas e circuitos neurais. Embora estes sistemas variem amplamente, a IA sempre descobriu um pequeno número de variáveis ocultas que controlam o seu comportamento. Em muitos casos, os modelos resultantes são 10 vezes menores do que aqueles produzidos pelos métodos anteriores de aprendizado de máquina, ao mesmo tempo que fornecem previsões confiáveis de longo prazo.
“O que se destaca não é apenas a precisão, mas também a interpretabilidade”, disse Chen, que tem cargos em engenharia elétrica e de computação e ciência da computação. “Quando os modelos lineares são compactos, o processo de descoberta científica pode conectar-se naturalmente às teorias e métodos existentes desenvolvidos por cientistas humanos ao longo de milhares de anos. É como conectar cientistas de IA a cientistas humanos.”
Procure sinais de estabilidade e alerta
A estrutura faz mais do que fazer previsões. Também pode identificar estados estáveis, chamados atratores, onde um sistema se estabiliza naturalmente ao longo do tempo. Identificar esses estados é fundamental para determinar se o sistema está funcionando corretamente, se está se movendo lentamente ou se está se aproximando da instabilidade.
“Para um dinamicista, encontrar essas estruturas é como encontrar marcos em uma nova paisagem”, disse o autor principal Sam Moore, estudante de doutorado no Laboratório Geral de Robótica de Chen. “Depois que você sabe onde está o ponto de estabilidade, o resto do sistema começa a fazer sentido.”
Os pesquisadores observam que esta abordagem é particularmente útil quando as equações tradicionais não estão disponíveis, estão incompletas ou são muito complexas para serem derivadas. “Isso não pretende substituir a física”, continuou Moore. “Trata-se de expandir nossa capacidade de raciocinar usando dados quando a física é desconhecida, oculta ou muito complicada para escrever sobre ela.”
Torne-se um cientista de máquinas
No futuro, a equipe está explorando como essa estrutura pode ajudar a orientar o projeto experimental, selecionando proativamente os dados a serem coletados, a fim de revelar de forma mais eficaz a estrutura de um sistema. Eles também planejam aplicar o método a formas mais ricas de dados, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.
Esta pesquisa apoia o objetivo de longo prazo do Laboratório Geral de Robótica Chen de cultivar “cientistas de máquina” que auxiliam na descoberta científica automatizada. Ao conectar a inteligência artificial moderna à linguagem matemática dos sistemas dinâmicos, este trabalho aponta para um futuro onde a inteligência artificial fará mais do que apenas reconhecer padrões. Pode ajudar a revelar as regras fundamentais que moldam o mundo físico e os sistemas vivos.
Este trabalho foi apoiado por uma bolsa de pesquisa de pós-graduação da National Science Foundation, pelo Programa STRONG do Laboratório de Pesquisa do Exército (W911NF2320182, W911NF2220113), pelo Escritório de Pesquisa do Exército (W911NF2410405), pelo Programa DARPA FoundSci (HR00112490372) e pelo Programa DARPA TIAMAT (HR00112490419).
Site do projeto: http://generalroboticslab.com/AutomatedGlobalAnalysis
vídeo: https://youtu.be/8Q5NQegHz50
Site do Laboratório de Robôs Universais: http://generalroboticslab.com
