Na busca por melhorar a engenharia de precisão, surgiu uma nova abordagem para quebrar as limitações das atuais técnicas de modelagem. Os pesquisadores Dr. Luo Chen, Li Aojin, Xiao Jiang e Li Ming, liderados pelo professor Li Yun do Instituto de Estudos Avançados de Shenzhen da Universidade de Ciência e Tecnologia Eletrônica da China, propuseram uma solução prática. Seu estudo, publicado na Scientific Reports, explica uma abordagem chamada modelagem de espaço de estado de caixa cinza (SSM), que combina a simplicidade, precisão e transparência da modelagem dinâmica.
Este modelo híbrido de caixa cinza combina princípios científicos básicos com análise de dados avançada, fundindo a caixa branca das leis físicas (essas leis físicas são regras simbólicas que descrevem como coisas como movimento e energia se comportam no mundo real) com técnicas de aprendizado de máquina usando aproximadores de funções de uso geral (como redes neurais artificiais conectadas) e muitas caixas pretas que envolvem treinamento ou previsão baseada em dados. Essa combinação cria modelos que não apenas explicam, mas também se adaptam às diversas complexidades dos cenários do mundo real. “Ao integrar conhecimentos especializados numa poderosa estrutura de inteligência artificial, garantimos que estes modelos são compreensíveis e válidos sob diferentes condições”, disse o professor Li.
Testar essa abordagem em um sistema de controle de temperatura altamente sensível usado em uma sala limpa de fabricação demonstrou sua eficácia. Esses sistemas são ambientes livres de poeira e contaminantes que exigem regulação extremamente precisa da temperatura do ar e da água. Os modelos caixa cinza superam o desempenho dos métodos tradicionais e gerenciam mudanças imprevisíveis do sistema e características únicas melhor do que os métodos independentes.
O modelo caixa cinza é desenvolvido utilizando a estrutura SSM, utilizando duas transformações. Um converte um sistema irregular de equações diferenciais não lineares em uma caixa branca SSM global regular e linear, e o outro converte seus parâmetros relacionados ao estado em um aproximador de função local regular. Portanto, as leis da física formam a base do modelo, enquanto o aprendizado de máquina é usado para ajustar dinamicamente as configurações dos parâmetros. Por exemplo, no controlo da temperatura do ar em salas limpas, o modelo baseia-se em princípios de transferência de energia (que explicam como o calor se move entre objetos) e em dados em tempo real (informações recolhidas à medida que os eventos ocorrem) para alcançar um desempenho ideal. O professor Li explicou: “Nosso modelo pode prever o comportamento em novos cenários com muita precisão, o que é crucial em indústrias onde as condições operacionais mudam com frequência”.
As estruturas de caixa cinzenta abordam desafios comuns, como informações incompletas (referentes a lacunas ou dados em falta) e ineficiências computacionais, mostrando maior adaptabilidade e ao mesmo tempo fornecendo informações sobre como funcionam. Esta combinação de adaptabilidade e clareza é crucial para aplicações industriais práticas.
As possibilidades futuras do MUS de caixa cinzenta abrangem diversas áreas, incluindo a aeroespacial (envolvendo a concepção e produção de aeronaves e naves espaciais) e a gestão de energia (centrada na utilização eficiente de recursos). O professor Li vê esta abordagem como parte do movimento da área de engenharia em direção a tecnologias mais inteligentes e transparentes. Esta mudança representa um futuro onde as máquinas podem não só executar tarefas, mas também explicar as suas funções, aumentando a confiança e a eficiência. O professor Li disse: “Nosso objetivo é desenvolver ferramentas de ‘engenharia de inteligência artificial’ eficientes e explicáveis.”
Referência do diário
Luo, C., Li, A., Xiao, J., Li, M. e Li, Y. “Informática multiescala baseada em inteligência artificial interpretável e generalizável para modelagem de sistema dinâmico.” Relatórios Científicos, 2024. https://doi.org/10.1038/s41598-024-67259-4
Sobre o autor
Yun Li (IEEE Fellow) recebeu seu Ph.D. Obteve o doutorado pela Universidade de Strathclyde, Glasgow, Reino Unido, em 1990. Trabalhou como engenheiro no Laboratório Nacional de Engenharia e na Industrial Systems and Controls Ltd., em Glasgow. De 1991 a 2018, atuou como conferencista, conferencista sênior e professor em Sistemas Inteligentes na Universidade de Glasgow, e Diretor Fundador da Universidade de Glasgow, Cingapura. Atualmente é professor titular do Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência Eletrônica e Tecnologia da China. Ele é autor ou coautor de mais de 300 artigos, um dos quais tem sido o artigo mais popular em IEEE Transactions on Control System Technology quase todos os meses desde sua publicação em 2005. O professor Li está interessado na inteligência artificial explicável da próxima geração e suas aplicações de engenharia.
Dr. Ela recebeu seu doutorado pela Universidade Chinesa de Geociências (Wuhan). Atualmente é pesquisadora de pós-doutorado interessada em engenharia de inteligência artificial. O seu trabalho aborda os principais desafios científicos em cidades inteligentes e projetos de engenharia de grande escala, garantindo que sejam robustos e compreensíveis. As contribuições da Dra. Luo visam apoiar um desenvolvimento urbano mais inteligente, seguro e sustentável, tornando-a uma figura chave na convergência da inteligência artificial e da ciência da engenharia.
Ao-Jin Li Obteve o diploma de bacharel pela Universidade de Tecnologia de Henan em 2021. Atualmente cursando doutorado em Engenharia no Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência e Tecnologia Eletrônica de Shenzhen da China, China. Seus interesses de pesquisa incluem controle inteligente, robótica e inteligência incorporada.
Jiang Xiao diploma pela Universidade de Ciência Eletrônica e Tecnologia de Chengdu da China em 2022. Atualmente cursando mestrado no Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência e Tecnologia Eletrônica de Shenzhen da China, China. Seus recentes interesses de pesquisa incluem inteligência computacional, grandes modelos de linguagem e suas aplicações em sistemas de comunicação.
Ming Li graduação pela South China Normal University, Guangzhou, China. Atualmente é estudante de pós-graduação no Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência e Tecnologia Eletrônica de Shenzhen da China, China. Seu trabalho se concentra na compressão de redes neurais. Li Ming está comprometido com o avanço da tecnologia de aprendizado de máquina, especialmente na área de otimização de redes neurais.
