ChatGPT para planilhas acelera a solução de desafios de engenharia

Pesquisadores do MIT desenvolveram uma abordagem que usa um modelo de base tabular como duplicata na otimização bayesiana para problemas de engenharia com centenas de variáveis.
O método identifica automaticamente quais variáveis mais impactam o desempenho e concentra a busca nelas, aumentando a eficiência.
Em testes com problemas realistas, como otimização de redes elétricas e testes de choque de veículos, a técnica encontrou soluções ótimas de 10 a 100 vezes mais rápido que métodos tradicionais.
O modelo de base tabular funciona sem retraining contínuo e pode ser aplicado sem recomeçar do zero a cada novo problema.
A pesquisa será apresentada na Conferência Internacional sobre Representações de Aprendizado; em alguns casos, o método não superou baselines em cenários como planejamento de trajetória robótica.

A equipe de MIT apresenta uma nova abordagem para otimizar projetos de engenharia com centenas de variáveis. A técnica utiliza um modelo fundamental tabular para orientar a busca, acelerando soluções em problemas que vão de redes de energia a design de veículos. O objetivo é reduzir o tempo de avaliação, já que cada teste pode custar caro.

O método reimagina a otimização bayesiana tradicional. Em vez de treinar um modelo de substituição após cada iteração, o sistema usa um modelo pré-treinado em dados tabulares para identificar quais variáveis realmente importam. Com isso, a busca foca nas designações de maior impacto.

Método inovador

Segundo Rosen Yu, autor principal, o algoritmo torna soluções de alta dimensionalidade mais acessíveis e reutilizáveis para diferentes problemas, sem reiniciar do zero. O modelo pode ser aplicado direto, sem retrabalho de treinamento, como ocorre em métodos clássicos.

A equipe compara a abordagem com cinco algoritmos de referência em 60 problemas-tipo, incluindo otimização de redes de energia e testes de colisão automotivos. Em muitos casos, a nova técnica encontrou soluções entre 10 e 100 vezes mais rápido.

Resultados e aplicações

A pesquisa aponta que, quanto maior o conjunto de dimensões, maior o ganho de eficiência. Em aplicações desafiadoras, como desenvolvimento de materiais ou descoberta de fármacos, o ganho pode ser ainda mais relevante. Nem todos os problemas, porém, apresentaram vantagem.

Além disso, o estudo sinaliza que o uso de modelos de fundação tabulares como motores algorítmicos pode ampliar o alcance de métodos clássicos dentro de ferramentas científicas. O trabalho será apresentado na Conferência Internacional sobre Representações de Aprendizado.