Durante os esforços para melhorar a engenharia de precisão, surgiu um novo método para quebrar as limitações das técnicas de modelagem atuais. Chen Luo, Ao-Jin Li, Jiang Xiao e Ming Li, pesquisadores liderados pelo professor Yun Li do Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência Eletrônica e Tecnologia da China, introduziram uma solução prática. Seu estudo, publicado na Scientific Reports, descreve um método chamado modelo de espaço de estado de caixa cinza (SSM) que combina simplicidade, precisão e transparência para modelagem dinâmica.
Combinando princípios científicos básicos com análise de dados avançada, este modelo híbrido de caixa cinzenta combina a caixa branca das leis físicas, que são regras simbólicas que descrevem como coisas como o movimento e a energia se comportam no mundo real, e as muitas caixas pretas que utilizam técnicas de aprendizagem automática para prever a atividade global, tais como redes neurais artificiais ligadas aleatoriamente. Essa combinação cria um modelo que não apenas explica, mas também corrige uma variedade de problemas em situações do mundo real. “Ao incorporar conhecimento especializado em uma estrutura robusta de IA, garantimos que esses modelos sejam compreensíveis e úteis sob diferentes condições”, disse o professor Li.
Testar esta abordagem em um sistema de controle de temperatura altamente sensível usado na fabricação de salas limpas demonstrou sua eficácia. Estes sistemas, que existem em ambientes livres de poeira e contaminantes, exigem uma regulação muito precisa da temperatura do ar e da água. A modelagem caixa cinza supera os métodos tradicionais, gerenciando melhor mudanças imprevisíveis no sistema e abordagens discretas.
Desenvolvido com a estrutura SSM, o modelo caixa cinza utiliza duas transformações. Um transforma a equação diferencial não linear irregular em uma caixa branca SSM global regular e linear, e o outro transforma seus parâmetros dependentes do estado em uma aproximação de função local regular. Assim, as leis físicas 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, este modelo baseia-se tanto nos princípios de transferência de energia, que explicam como o calor se move entre os objetos, como nos dados em tempo real, que são informações recolhidas à medida que os eventos ocorrem, para alcançar um desempenho ideal. “Nosso modelo pode prever o comportamento em novos cenários com precisão notável”, explicou o professor Li, “o que se torna essencial para indústrias onde as condições operacionais mudam frequentemente”.
Ao abordar desafios comuns, como informações incompletas, lacunas ou dados em falta e cálculos ineficientes, o quadro de caixa cinzenta apresenta elevada adaptabilidade, ao mesmo tempo que fornece informações sobre o seu funcionamento. Uma combinação de adaptabilidade e clareza é essencial para o uso industrial prático.
As possibilidades futuras do MUS de caixa cinzenta abrangem vários sectores, incluindo o aeroespacial, que inclui a concepção e fabrico de aeronaves e naves espaciais, e a gestão de energia que se centra na utilização eficiente dos recursos. O professor Li vê o método como parte de um movimento mais amplo em direção a uma tecnologia melhor e mais transparente em engenharia. Esta mudança reflete um futuro onde as máquinas não só funcionam, mas também interpretam as suas funções, melhorando a fiabilidade e a eficiência. O professor Li observou: “Nosso objetivo é desenvolver ferramentas de ‘IA para Engenharia’ eficientes e interpretáveis.”
Nota de diário
Luo, C., Li, A., Xiao, J., Li, M., & Li, Y. “Informática multiescala orientada por IA explicável e generalizável para modelagem de sistema dinâmico.” Relatórios Científicos, 2024. https://doi.org/10.1038/s41598-024-67259-4
Sobre os professores
Yun Li (Fellow, IEEE) Ph.D. Formou-se na Strathclyde University, Glasgow, em 1990. Trabalhou como engenheiro no Laboratório Nacional de Engenharia e na Industrial Systems and Controls Ltd., Glasgow. De 1991 a 2018, foi conferencista, conferencista sênior e professor de sistemas inteligentes na Universidade de Glasgow, Glasgow, e diretor fundador da Universidade de Glasgow, Cingapura. Atualmente é professor sênior do Instituto de Estudos Avançados de Shenzhen, Ciência Eletrônica e Tecnologia da China, Universidade de Shenzhen, China. Ele é autor ou coautor de mais de 300 artigos e tem sido o artigo mais popular em Transações IEEE sobre Tecnologia de Sistemas de Controle quase todos os meses desde sua publicação em 2005. O professor Li está interessado em inteligência artificial interpretável de próxima geração e suas aplicações de engenharia.
Dr. Ele recebeu seu PhD pela Universidade de Geociências da China, Wuhan, China. Atualmente é pós-graduado com interesse em inteligência artificial em engenharia. O seu trabalho aborda importantes desafios científicos no contexto de cidades inteligentes e projetos de engenharia de grande escala, garantindo que sejam robustos e compreensíveis. As contribuições do Dr. Luo visam apoiar um desenvolvimento urbano mais inteligente, mais seguro e mais sustentável.
Ao Jin Li Ele se formou na Universidade Politécnica de Henan em 2021 com bacharelado. Atualmente possui doutorado em Engenharia pelo Instituto de Estudos Avançados de Shenzhen, Ciência Eletrônica e Tecnologia da China, Universidade de Shenzhen, China. Seus interesses de pesquisa incluem controle inteligente, robótica e inteligência incorporada.
Jiang Xiao Em 2022, ele recebeu seu diploma de bacharel pela Universidade de Ciência e Tecnologia Eletrônica da China, Chengdu, China. Ele está atualmente cursando seu mestrado. Seus interesses de pesquisa recentes incluem inteligência computacional, grandes modelos de linguagem e suas aplicações em sistemas de comunicação.
Ming Li Ele recebeu seu bacharelado pela South China Normal University, Guangzhou, China. Atualmente é estudante de pesquisa no Instituto de Estudos Avançados de Shenzhen, Universidade de Ciência e Tecnologia Eletrônica da China, Shenzhen, China. Seu trabalho se concentra na abstração de redes neurais. Ming Li se dedica ao desenvolvimento de técnicas de aprendizado de máquina, especialmente otimização de redes neurais.
