Pesquisadores da Duke University criaram uma nova estrutura para inteligência artificial projetada para revelar regras claras e fáceis de entender por trás de algumas das dinâmicas mais complexas observadas na natureza e na tecnologia moderna.
O sistema é inspirado nos trabalhos dos grandes “dinâmicos” da história – cientistas que estudam sistemas que mudam com o tempo. Assim como Isaac Newton, muitas vezes considerado o primeiro dinamicista, desenvolveu as equações que relacionam força e movimento, esta IA analisa dados que mostram como os sistemas complexos evoluem e depois cria equações que descrevem com precisão esse comportamento.
O que destaca esta abordagem é a sua capacidade de lidar com uma complexidade que vai muito além das capacidades humanas. A IA pode pegar sistemas não lineares que envolvem centenas ou mesmo milhares de variáveis em interação e reduzi-los a regras mais simples com muito menos dimensões.
Uma nova ferramenta 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 dependeu da descoberta de representações simplificadas de processos complexos”, disse Boyuan Chen, diretor do Laboratório Geral de Robótica e Professor Associado de Engenharia Mecânica e Ciência de Materiais da Família Dickinson na Duke. “Temos cada vez mais dados brutos de que precisamos para compreender sistemas complexos, mas não temos as ferramentas para transformar essas informações nos tipos de regras simplificadas nas quais os cientistas confiam. Colmatar esta lacuna é muito importante.”
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 grande aproximação do seu movimento pode ser obtida por uma equação linear simples que utiliza apenas a velocidade e o ângulo de lançamento.
Com base na ideia matemática de décadas
Esta 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 da inteligência artificial baseia-se diretamente nesta ideia.
Contudo, há um desafio importante. A representação de sistemas muito complexos utilizando modelos lineares muitas vezes requer a construção de centenas ou mesmo milhares de equações, cada uma envolvendo uma variável diferente. Lidar com esse nível de complexidade é difícil para pesquisadores humanos.
É aqui que a inteligência artificial se torna especialmente valiosa.
Como a inteligência artificial reduz a complexidade
A estrutura examina dados de séries temporais de experimentos e identifica os padrões mais significativos em como o sistema muda. Ele combina aprendizado profundo com restrições inspiradas na física para restringir um sistema a um conjunto muito menor de variáveis que ainda capturam seu comportamento subjacente. O resultado é um modelo compacto que se comporta matematicamente como um sistema linear, mantendo-se fiel à complexidade do mundo real.
Para testar essa abordagem, os pesquisadores a aplicaram a uma ampla variedade de sistemas. Estes variavam desde o movimento oscilante familiar de um pêndulo até o comportamento não linear de circuitos elétricos, bem como modelos usados na ciência climática e em circuitos neurais. Embora estes sistemas variem muito, a inteligência artificial tem descoberto consistentemente um pequeno número de variáveis ocultas que governam o seu comportamento. Em muitos casos, os modelos resultantes eram 10 vezes menores do que os modelos criados usando técnicas anteriores de aprendizado de máquina, mas ainda forneciam previsões confiáveis de longo prazo.
“O que se destaca não é apenas a precisão, mas também a interpretabilidade”, disse Chen, que também ocupa cargos em engenharia elétrica, engenharia da computação e ciência da computação. “Quando um modelo linear é compacto, o processo de descoberta científica pode ser naturalmente ligado às teorias e métodos existentes que os cientistas humanos desenvolveram ao longo de milénios. É como ligar cientistas humanos com cientistas humanos.”
Encontrando estabilidade e sinais de alerta
A estrutura faz mais do que fazer previsões. Também pode identificar estados estáveis, conhecidos como atratores, nos quais o sistema se estabelece naturalmente ao longo do tempo. Reconhecer esses estados é fundamental para determinar se um sistema está operando normalmente, oscilando lentamente ou se aproximando da instabilidade.
“Para um dinamicista, encontrar essas estruturas é como encontrar marcos em uma nova paisagem”, disse Sam Moore, autor principal e candidato a pós-doutorado no Laboratório Geral de Robótica de Chen. “Depois de saber onde estão os pontos estáveis, o resto do sistema começa a fazer sentido.”
Os pesquisadores observam que este método é particularmente útil quando as equações tradicionais não estão disponíveis, estão incompletas ou são muito complexas para serem derivadas. “Não se trata de substituir a física”, continuou Moore. “Trata-se de expandir a nossa capacidade de raciocinar usando dados quando a física é desconhecida, oculta ou demasiado complicada para registar.”
Rumo aos cientistas mecânicos
Olhando para o futuro, a equipe explora como a estrutura pode ajudar a orientar o projeto experimental, escolhendo proativamente quais dados coletar para revelar de forma mais eficaz a estrutura do sistema. Eles também planejam aplicar o método a formas mais ricas de dados, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.
Esta pesquisa apóia um objetivo de longo prazo do Laboratório Geral de Robótica de Chen de desenvolver “cientistas de máquina” para auxiliar na descoberta científica automatizada. Ao conectar a inteligência artificial moderna com a linguagem matemática dos sistemas dinâmicos, o trabalho aponta para um futuro em que a inteligência artificial fará mais do que apenas reconhecer padrões. Isto pode ajudar a revelar as regras básicas que moldam tanto o mundo físico como os sistemas vivos.
Este trabalho foi apoiado por uma bolsa 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 Geral de Robótica: http://generalroboticslab.com
