São Paulo — InkDesign News —
Pesquisadores do MIT desenvolveram uma nova estrutura que utiliza técnicas de machine learning para modelar sistemas complexos, permitindo que engenheiros considerem a incerteza ao projetar dispositivos eletrônicos, como drones de entrega.
Contexto da pesquisa
A pesquisa se concentra em sistemas complexos, que envolvem múltiplos componentes, como motores e baterias, que devem ser otimizados para reduzir custos e maximizar desempenho. Com o aumento da complexidade dos sistemas, a necessidade de ferramentas que integrem a incerteza se torna crucial.
Método proposto
Os pesquisadores aplicaram uma abordagem baseada em teoria dos categorias, permitindo que as incertezas associadas a cada componente sejam integradas. Este método permite a modelagem de resultados e trade-offs diversos, superando as limitações das metodologias tradicionais, que frequentemente se restringem a cenários de melhor e pior caso.
“Com nosso método, mesmo que você não tenha certeza sobre as especificações do seu sensor, ainda pode projetar o robô para maximizar o resultado desejado.”
(“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
Os resultados demonstraram que esta nova abordagem é capaz de revelar insights valiosos sobre tecnologias de bateria e sistemas de percepção, permitindo que os projetistas considerem a flutuação de desempenho sob condições variáveis, como mudanças climáticas. Por exemplo, as métricas mostraram que para um payload de 1.750 gramas, existe uma probabilidade de 12,8% de que o projeto da bateria se torne inviável.
“Nosso sistema fornece os trade-offs, 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 de Engenharia Civil e Ambiental, MIT
A pesquisa, publicada no arXiv e a ser apresentada na Conferência IEEE sobre Decisão e Controle em dezembro de 2025, abre novas perspectivas na co-design de sistemas, oferecendo uma ferramenta robusta para equipes multidisciplinares. As aplicações potenciais se estendem a veículos autônomos e redes de transporte regionais, onde a compreensão da incerteza pode levar a designs mais resilientes.
Fonte: (TechXplore – Machine Learning & AI)
