Pesquisadores da Universidade Duke criaram uma nova estrutura de inteligência artificial projetada para descobrir regras claras e fáceis de entender 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, esta IA analisa dados que mostram como sistemas complexos evoluem e, em seguida, produz equações que descrevem com precisão esse comportamento.
O que diferencia essa abordagem é sua capacidade de lidar com complexidade muito além da capacidade humana. A IA pode lidar com sistemas não lineares envolvendo centenas ou até milhares de variáveis interativas e reduzi-los a regras mais simples com muito menos dimensões.
Uma Nova Ferramenta para Compreender Mudanças ao Longo do Tempo
A pesquisa, publicada em 17 de dezembro online na revista npj Complexity, apresenta uma nova maneira poderosa para os cientistas usarem 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 de 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 essa informação nas regras simplificadas de que os cientistas dependem. Preencher essa lacuna é essencial.”
Um exemplo clássico de simplificação vem da física. O trajeto de uma bola de canhão depende de muitos fatores, incluindo velocidade e ângulo de lançamento, resistência do ar, condições de vento variáveis e até mesmo temperatura ambiente. Apesar dessa complexidade, uma aproximação próxima de seu movimento pode ser capturada com uma simples equação linear que utiliza apenas a velocidade e o ângulo de lançamento.
Construindo sobre uma Ideia Matemática de Décadas Atrás
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 se baseia 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 os 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 de como um sistema muda. Ela combina aprendizado profundo com restrições inspiradas pela física para reduzir o sistema a um conjunto de variáveis muito menor que ainda captura seu comportamento essencial. O resultado é um modelo compacto que se comporta matematicamente como um sistema linear, enquanto permanece fiel à complexidade do mundo real.
Para testar a abordagem, os pesquisadores a aplicaram a uma ampla variedade de sistemas. Esses iam desde a familiar oscilação de um pêndulo até o comportamento não linear de circuitos elétricos, além de modelos utilizados na ciência climática e circuitos neurais. Embora esses sistemas diferem consideravelmente, 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 aqueles produzidos por métodos de aprendizado de máquina anteriores, enquanto ainda fornecendo previsões confiáveis a longo prazo.
“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 Estabilidades e Sinais de Alerta
A estrutura faz mais do que fazer previsões. Ela também pode identificar estados estáveis, conhecidos como atratores, onde um sistema naturalmente se estabiliza ao longo do tempo. Reconhecer esses estados é crucial para determinar se um sistema está operando normalmente, driftando lentamente ou se aproximando da instabilidade.
“Para um dinamicista, encontrar essas estruturas é como descobrir os marcos de uma nova paisagem,” disse Sam Moore, o autor principal e doutorando 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 é sobre substituir a física,” continuou Moore. “É sobre ampliar nossa capacidade de raciocínio usando dados quando a física é desconhecida, oculta, ou muito difícil de escrever.”
Rumo a Cientistas de Máquina
Olhando para o futuro, a equipe está explorando como a estrutura poderia ajudar a guiar o design experimental, selecionando ativamente quais dados coletar para revelar a estrutura de um sistema de forma mais eficiente. Eles também planejam aplicar o método a formas de dados mais ricas, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.
Essa pesquisa apoia um objetivo de longo prazo no Laboratório de Robótica Geral de Chen de desenvolver “cientistas de máquina” que auxiliem 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 Fundação Nacional de Ciência, pelo programa STRONG do Laboratório de Pesquisa do Exército (W911NF2320182, W911NF2220113), pelo Escritório de Pesquisa do Exército (W911NF2410405), pelo programa FoundSci da DARPA (HR00112490372) e pelo programa TIAMAT da DARPA (HR00112490419).
Website do Projeto: http://generalroboticslab.com/AutomatedGlobalAnalysis
Vídeo: https://youtu.be/8Q5NQegHz50
Website do Laboratório de Robótica Geral: http://generalroboticslab.com
