Pesquisadores da Universidade Duke desenvolveram uma nova estrutura de inteligência artificial projetada para descobrir regras claras e de fácil compreensão por trás de algumas das dinâmicas mais complicadas vistas na natureza e na tecnologia moderna.
O sistema é inspirado no trabalho dos grandes “dinamicistas” da história — cientistas que estudam sistemas que mudam ao longo do tempo. Assim como Isaac Newton, frequentemente considerado o primeiro dinamicista, desenvolveu equações que ligam força e movimento, essa IA analisa dados que mostram como sistemas complexos evoluem e, em seguida, produz equações que descrevem esse comportamento com precisão.
O que diferencia essa abordagem é sua capacidade de lidar com complexidade muito além da capacidade humana. A IA pode tomar sistemas não lineares que envolvem centenas ou até milhares de variáveis interagindo e reduzi-los a regras mais simples com dimensões muito menores.
Uma Nova Ferramenta para Entender Mudanças ao Longo do Tempo
A pesquisa, publicada online em 17 de dezembro na revista npj Complexity, introduz uma nova maneira poderosa para os cientistas usarem a IA para estudar sistemas que evoluem ao longo do tempo — incluindo padrões climáticos, circuitos elétricos, dispositivos mecânicos e sinais biológicos.
“A descoberta científica sempre dependeu da busca por representações simplificadas de processos complicados,” disse Boyuan Chen, diretor do Laboratório de Robótica Geral e Professor Assistente da Família Dickinson em Engenharia Mecânica e Ciência dos Materiais na Duke. “Estamos cada vez mais com os dados brutos necessários para entender sistemas complexos, mas não temos as ferramentas para transformar essas informações nas regras simplificadas que os cientistas precisam. Preencher essa lacuna é essencial.”
Um exemplo clássico de simplificação vem da física. O caminho de um projétil depende de muitos fatores, incluindo velocidade e ângulo de lançamento, resistência do ar, condições climáticas variáveis e até mesmo temperatura ambiente. Apesar dessa complexidade, uma aproximação próxima de seu movimento pode ser capturada com uma simples equação linear que usa apenas a velocidade e o ângulo de lançamento.
Baseando-se em Uma Ideia Matemática Antiga
Esse tipo de simplificação reflete um conceito teórico introduzido 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 nessa ideia.
Há, no entanto, um desafio importante. Representar sistemas altamente complexos com modelos lineares muitas vezes requer a construção de centenas ou até milhares de equações, cada uma ligada a uma variável diferente. Lidar com esse nível de complexidade é difícil para pesquisadores humanos.
É aí que a inteligência artificial se torna especialmente valiosa.
Como a IA Reduz a Complexidade
A estrutura estuda dados de séries temporais de experimentos e identifica os padrões mais significativos em como um sistema muda. Ela combina aprendizado profundo com restrições inspiradas pela física para reduzir o sistema a um conjunto muito menor de variáveis que ainda captura seu comportamento essencial. O resultado é um modelo compacto que se comporta matematicamente como um sistema linear, mas permanece fiel à complexidade do mundo real.
Para testar a abordagem, os pesquisadores aplicaram-na a uma ampla variedade de sistemas. Estes variaram desde o movimento pendular familiar até o comportamento não linear de circuitos elétricos, além de modelos usados em ciências climáticas e circuitos neurais. Embora esses sistemas diferissem muito, a IA consistentemente descobriu um pequeno número de variáveis ocultas que governavam seu comportamento. Em muitos casos, os modelos resultantes eram mais de 10 vezes menores do que os produzidos por métodos de aprendizado de máquina anteriores, enquanto ainda ofereciam previsões de longo prazo confiáveis.
“O que se destaca não é apenas a precisão, mas a interpretabilidade,” disse Chen, que também possui cargos em engenharia elétrica e ciência da computação. “Quando um modelo linear é compacto, o processo de descoberta científica pode ser naturalmente conectado às teorias e métodos existentes que os cientistas humanos desenvolveram ao longo de milênios. É como conectar cientistas de IA com cientistas humanos.”
Encontrando Estabilidade e Sinais de Advertência
A estrutura faz mais do que fazer previsões. Ela também pode identificar estados estáveis, conhecidos como atratores, onde um sistema se estabelece naturalmente ao longo do tempo. Reconhecer esses estados é crítico para determinar se um sistema está operando normalmente, se está lentamente se desviando ou se está se aproximando da instabilidade.
“Para um dinamicista, encontrar essas estruturas é como encontrar os marcos de uma nova paisagem,” disse Sam Moore, o autor principal e candidato a PhD no Laboratório de Robótica Geral de Chen. “Uma vez que você sabe onde estão os pontos estáveis, o restante do sistema começa a fazer sentido.”
Os pesquisadores observam que esse método é especialmente útil quando equações tradicionais estão indisponíveis, incompletas ou muito complexas para serem derivadas. “Isso não se trata de 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 ser escrita.”
Rumo a Cientistas de Máquina
Olhando para o futuro, a equipe está explorando como a estrutura poderia ajudar a orientar o design experimental, selecionando ativamente quais dados coletar para revelar mais eficientemente a estrutura de um sistema. Eles também planejam aplicar o método a formas de dados mais ricas, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.
Esta pesquisa apoia um objetivo de longo prazo no Laboratório de Robótica Geral de Chen de desenvolver “cientistas máquinas” que ajudem na descoberta científica automatizada. Ao vincular a IA moderna com a linguagem matemática dos sistemas dinâmicos, o trabalho aponta para um futuro em que a IA faz mais do que reconhecer padrões. Pode ajudar a descobrir as regras fundamentais que moldam tanto o mundo físico quanto os sistemas vivos.
Este trabalho foi apoiado pela Bolsa de Pesquisa de Graduados da National Science Foundation, pelo programa STRONG do Army Research Laboratory (W911NF2320182, W911NF2220113), pelo Army Research Office (W911NF2410405), pelo programa FoundSci da DARPA (HR00112490372) e pelo programa TIAMAT da DARPA (HR00112490419).
Site do Projeto: http://generalroboticslab.com/AutomatedGlobalAnalysis
Vídeo: https://youtu.be/8Q5NQegHz50
Site do Laboratório de Robótica Geral: http://generalroboticslab.com
