A equipe de MIT apresenta uma nova abordagem para otimizar projetos de engenharia com centenas de vari\u00e1veis. A t\u00e9cnica utiliza um modelo fundamental tabular para orientar a busca, acelerando solu\u00e7\u00f5es em problemas que v\u00e3o de redes de energia a design de ve\u00edculos. O objetivo \u00e9 reduzir o tempo de avalia\u00e7\u00e3o, j\u00e1 que cada teste pode custar caro.<\/p>\n
O m\u00e9todo reimagina a otimiza\u00e7\u00e3o bayesiana tradicional. Em vez de treinar um modelo de substitui\u00e7\u00e3o ap\u00f3s cada itera\u00e7\u00e3o, o sistema usa um modelo pr\u00e9-treinado em dados tabulares para identificar quais vari\u00e1veis realmente importam. Com isso, a busca foca nas designa\u00e7\u00f5es de maior impacto.<\/p>\n
Segundo Rosen Yu, autor principal, o algoritmo torna solu\u00e7\u00f5es de alta dimensionalidade mais acess\u00edveis e reutiliz\u00e1veis para diferentes problemas, sem reiniciar do zero. O modelo pode ser aplicado direto, sem retrabalho de treinamento, como ocorre em m\u00e9todos cl\u00e1ssicos.<\/p>\n
A equipe compara a abordagem com cinco algoritmos de refer\u00eancia em 60 problemas-tipo, incluindo otimiza\u00e7\u00e3o de redes de energia e testes de colis\u00e3o automotivos. Em muitos casos, a nova t\u00e9cnica encontrou solu\u00e7\u00f5es entre 10 e 100 vezes mais r\u00e1pido.<\/p>\n
A pesquisa aponta que, quanto maior o conjunto de dimens\u00f5es, maior o ganho de efici\u00eancia. Em aplica\u00e7\u00f5es desafiadoras, como desenvolvimento de materiais ou descoberta de f\u00e1rmacos, o ganho pode ser ainda mais relevante. Nem todos os problemas, por\u00e9m, apresentaram vantagem.<\/p>\n
Al\u00e9m disso, o estudo sinaliza que o uso de modelos de funda\u00e7\u00e3o tabulares como motores algor\u00edtmicos pode ampliar o alcance de m\u00e9todos cl\u00e1ssicos dentro de ferramentas cient\u00edficas. O trabalho ser\u00e1 apresentado na Confer\u00eancia Internacional sobre Representa\u00e7\u00f5es de Aprendizado.<\/p>\n","protected":false},"excerpt":{"rendered":"