Muchos desafíos de ingeniería se reducen al mismo dolor de individuo: demasiadas perillas que rotar y muy pocas oportunidades para probarlas. Ya sea ajustando una red eléctrica o diseñando un transporte más seguro, cada evaluación puede ser costosa y puede deber cientos de variables que podrían importar.
Considere el diseño de seguridad del automóvil. Los ingenieros deben integrar miles de piezas y muchas opciones de diseño pueden afectar el rendimiento de un transporte en una colisión. Las herramientas de optimización clásicas podrían nacer a tener dificultades a la hora de averiguar la mejor combinación.
Los investigadores del MIT desarrollaron un nuevo enfoque que replantea cómo se puede utilizar un método clásico, conocido como optimización bayesiana, para resolver problemas con cientos de variables. En pruebas realizadas con puntos de narración realistas de estilo ingeniería, como la optimización del sistema de energía, el enfoque encontró soluciones óptimas entre 10 y 100 veces más rápido que los métodos más utilizados.
Su técnica aprovecha un maniquí esencial entrenado en datos tabulares que identifica automáticamente las variables más importantes para mejorar el rendimiento, repitiendo el proceso para concentrarse en soluciones cada vez mejores. Los modelos de cojín son enormes sistemas de inteligencia sintético entrenados en vastos conjuntos de datos generales. Esto les permite adaptarse a diferentes aplicaciones.
No es necesario retornar a capacitar constantemente el maniquí de cojín tabular de los investigadores mientras trabaja con destino a una posibilidad, lo que aumenta la eficiencia del proceso de optimización. La técnica todavía ofrece mayores aceleraciones para problemas más complicados, por lo que podría ser especialmente útil en aplicaciones exigentes como el ampliación de materiales o el descubrimiento de fármacos.
«La IA moderna y los modelos de estudios necesario pueden cambiar fundamentalmente la forma en que los ingenieros y científicos crean sistemas complejos. Se nos ocurrió un operación que no sólo puede resolver problemas de incorporación dimensión, sino que todavía es reutilizable, por lo que se puede aplicar a muchos problemas sin la obligación de nacer todo desde cero», dice Rosen Yu, estudiante de posgrado en ciencia e ingeniería computacional y autor principal de un artículo sobre esta técnica.
A Yu se unen en el artículo Cyril Picard, ex postdoctorado y sabio investigador del MIT, y Faez Ahmed, profesor asociado de ingeniería mecánica y miembro principal del Centro de Ciencia e Ingeniería Computacional del MIT. La investigación se presentará en la Conferencia Internacional sobre Representaciones del Formación.
Mejorando un método probado
Cuando los científicos buscan resolver un problema multifacético pero cuentan con métodos costosos para evaluar el éxito, como probar un automóvil para aprender qué tan bueno es cada diseño, a menudo usan un método probado y cierto llamado optimización bayesiana. Este método iterativo encuentra la mejor configuración para un sistema complicado mediante la construcción de un maniquí sustituto que ayuda a estimar qué explorar a continuación teniendo en cuenta la incertidumbre de sus predicciones.
Pero el maniquí sustituto debe retornar a entrenarse posteriormente de cada iteración, lo que rápidamente puede volverse computacionalmente intratable cuando el espacio de soluciones potenciales es muy holgado. Encima, los científicos necesitan construir un nuevo maniquí desde cero cada vez que quieran encarar un círculo diferente.
Para encarar ambas deficiencias, los investigadores del MIT utilizaron un sistema de inteligencia sintético generativo conocido como maniquí de cojín tabular como maniquí sustituto internamente de un operación de optimización bayesiano.
«Un maniquí esencial tabular es como un ChatGPT para hojas de cálculo. La entrada y salida de estos modelos son datos tabulares, que en el ámbito de la ingeniería son mucho más comunes de ver y usar que el jerigonza», afirma Yu.
Al igual que los modelos de lenguajes grandes como ChatGPT, Claude y Gemini, el maniquí ha sido entrenado previamente con una enorme cantidad de datos tabulares. Esto lo hace acertadamente equipado para encarar una variedad de problemas de predicción. Encima, el maniquí se puede implementar tal cual, sin obligación de retornar a capacitarlo.
Para hacer que su sistema sea más preciso y valioso para la optimización, los investigadores emplearon un truco que permite al maniquí identificar características del espacio de diseño que tendrán el viejo impacto en la posibilidad.
«Un automóvil puede tener 300 criterios de diseño, pero no todos ellos son el principal impulsor del mejor diseño si se intenta aumentar algunos parámetros de seguridad. Nuestro operación puede elegir inteligentemente las características más críticas en las que centrarse», afirma Yu.
Para ello, utiliza un maniquí de cojín tabular para estimar qué variables (o combinaciones de variables) influyen más en el resultado.
Luego centra la búsqueda en aquellas variables de detención impacto en superficie de perder el tiempo explorando todo por igual. Por ejemplo, si el tamaño de la zona de deformación delantera aumentó significativamente y la calificación de seguridad del automóvil mejoró, esa característica probablemente jugó un papel en la mejoría.
Problemas más grandes, mejores soluciones
Uno de sus mayores desafíos fue encontrar el mejor maniquí de cojín tabular para esta tarea, dice Yu. Luego tuvieron que conectarlo con un operación de optimización bayesiano de tal forma que pudiera identificar las características de diseño más destacadas.
«Encontrar la dimensión más prominente es un problema acertadamente conocido en matemáticas e informática, pero encontrar una forma que aprovechara las propiedades de un maniquí de cojín tabular fue un cierto desafío», dice Yu.
Una vez implementado el ámbito algorítmico, los investigadores probaron su método comparándolo con cinco algoritmos de optimización de última coexistentes.
En 60 problemas de narración, incluidas situaciones realistas como el diseño de redes eléctricas y pruebas de accidentes automovilísticos, su método encontró consistentemente la mejor posibilidad entre 10 y 100 veces más rápido que los otros algoritmos.
«Cuando un problema de optimización adquiere cada vez más dimensiones, nuestro operación positivamente brilla», añadió Yu.
Pero su método no superó las líneas de cojín en todos los problemas, como la planificación robótica de rutas. Esto probablemente indica que el círculo no estaba acertadamente definido en los datos de entrenamiento del maniquí, dice Yu.
En el futuro, los investigadores quieren estudiar métodos que puedan mejorar el rendimiento de los modelos de cojín tabular. Incluso quieren aplicar su técnica a problemas con miles o incluso millones de dimensiones, como el diseño de un barco de exterminio.
«A un nivel superior, este trabajo apunta a un cambio más amplio: utilizar modelos básicos no sólo para la percepción o el jerigonza, sino como motores algorítmicos internamente de herramientas científicas y de ingeniería, permitiendo que métodos clásicos como la optimización bayesiana se escale a regímenes que antiguamente no eran prácticos», dice Ahmed.
«El enfoque presentado en este trabajo, que utiliza un maniquí esencial previamente entrenado yuxtapuesto con una optimización bayesiana de incorporación dimensión, es una forma creativa y prometedora de someter los grandes requisitos de datos del diseño basado en simulación. En caudillo, este trabajo es un paso práctico y poderoso para hacer que la optimización avanzadilla del diseño sea más accesible y más hacedero de aplicar en entornos del mundo efectivo», afirma Wei Chen, profesor Wilson-Cook de Diseño de Ingeniería y presidente del Área de Ingeniería Mecánica de la Universidad Northwestern, que no participó en esta investigación.