Machine learning ajuda engenheiros a projetar sistemas complexos
São Paulo — InkDesign News —
A pesquisa de machine learning na Universidade MIT apresenta um novo framework que ajuda engenheiros a projetar sistemas complexos, levando em conta incertezas. Essa abordagem pode transformar o desenvolvimento de drones e veículos autônomos.
Contexto da pesquisa
A necessidade de sistemas complexos robustos e confiáveis é crescente, especialmente em tecnologias emergentes como drones de entrega e veículos autônomos. As incertezas nos componentes, como motores e baterias, podem impactar significativamente o desempenho. Tradicionalmente, as abordagens de design não consideravam essas incertezas, limitando a eficácia do projeto.
Método proposto
A nova pesquisa do MIT introduz um modelo baseado em teoria das categorias, que considera as incertezas nos componentes do sistema. Este modelo permite que os engenheiros analisem como as escolhas de design interagem uma com a outra, mesmo quando a performance individual dos componentes não é totalmente conhecida. O enfoque no design de sistemas co-integrados é fundamental para maximizar resultados e minimizar custos.
“Com nosso método, mesmo que você não saiba quais são as especificações do seu sensor, ainda pode projetar o robô para maximizar o resultado que importa.”
(“With our method, even if you are unsure what the specifications of your sensor will be, you can still design the robot to maximize the outcome you care about.”)— Marius Furter, Estudante de Pós-Graduação, Universidade de Zurique
Resultados e impacto
O framework demonstrou vantagens significativas na escolha de sistemas de percepção e baterias para drones. Em situações reais, onde as condições meteorológicas afetam a precisão dos sensores, a nova abordagem permite que os engenheiros considerem essas variáveis, otimizando o projeto geral. Por exemplo, o estudo mostrou que, em cargas úteis mais baixas, baterias de níquel-hidreto metálico poderiam oferecer o menor custo de ciclo de vida esperado.
“Nosso sistema fornece as compensações, e então o usuário pode raciocinar sobre o design.”
(“Our system provides the trade-offs, and then the user can reason about the design.”)— Gioele Zardini, Professor Assistente, MIT
Com o aumento da complexidade nos sistemas projetados, esta pesquisa abre caminho para a criação de tecnologias mais eficientes e adaptativas. A metodologia poderá ser aplicada a redes de transporte, veículos comerciais e tecnologia de drones, promovendo inovações em segurança e eficiência.
Fonte: (TechXplore – Machine Learning & AI)
