Esta IA encontra regras simples onde os humanos veem apenas o caos

O sistema é inspirado no trabalho dos grandes “dinamicistas” da história – cientistas que estudam sistemas que mudam ao longo do tempo. Tal como Isaac Newton, muitas vezes considerado o primeiro dinamicista, desenvolveu equações que ligam força e movimento, esta IA analisa dados que mostram como os sistemas complexos evoluem e depois produz equações que descrevem com precisão esse comportamento.

O que diferencia esta abordagem é a sua capacidade de lidar com uma complexidade muito além da capacidade humana. A IA pode pegar sistemas não lineares que envolvem centenas ou até milhares de variáveis ​​em interação e reduzi-los a regras mais simples com muito menos dimensões.

Uma nova ferramenta para compreender as mudanças ao longo do tempo

A pesquisa, publicada em 17 de dezembro on-line na revista Complexidade npjapresenta uma nova maneira poderosa para os cientistas usarem a IA para estudar sistemas que evoluem ao longo do tempo – incluindo padrões climáticos, circuitos elétricos, dispositivos mecânicos e sinais biológicos.

“A descoberta científica sempre dependeu de encontrar representações simplificadas de processos complicados”, disse Boyuan Chen, diretor do Laboratório Geral de Robótica e Professor Assistente da Família Dickinson de Engenharia Mecânica e Ciência de Materiais na Duke. “Temos cada vez mais os dados brutos necessários para compreender sistemas complexos, mas não as ferramentas para transformar essas informações nos tipos de regras simplificadas nas quais os cientistas confiam. Colmatar essa lacuna é essencial.”

Um exemplo clássico de simplificação vem da física. O caminho de uma bala de canhão depende de muitos fatores, incluindo velocidade e ângulo de lançamento, resistência do ar, mudanças nas condições do vento e até mesmo temperatura ambiente. Apesar desta complexidade, uma grande aproximação do seu movimento pode ser capturada com uma equação linear simples que utiliza apenas a velocidade e o ângulo de lançamento.

Baseando-se em uma ideia matemática de décadas

Este tipo de simplificação reflete um conceito teórico introduzido pelo matemático Bernard Koopman na década de 1930. Koopman mostrou que sistemas não lineares complexos podem ser representados matematicamente usando modelos lineares. A nova estrutura de IA baseia-se diretamente nesta ideia.

Há, no entanto, um desafio importante. Representar sistemas altamente complexos com modelos lineares muitas vezes requer a construção de centenas ou até milhares de equações, cada uma ligada a uma variável diferente. Lidar com esse nível de complexidade é difícil para pesquisadores humanos.

É aí que a inteligência artificial se torna especialmente valiosa.

Como a IA reduz a complexidade

A estrutura estuda dados de séries temporais de experimentos e identifica os padrões mais significativos em como um sistema muda. Ele combina aprendizado profundo com restrições inspiradas na física para restringir o sistema a um conjunto muito menor de variáveis ​​que ainda capturam seu comportamento essencial. O resultado é um modelo compacto que se comporta matematicamente como um sistema linear, permanecendo fiel à complexidade do mundo real.

Para testar a abordagem, os pesquisadores a aplicaram a uma ampla variedade de sistemas. Estes variavam desde o familiar movimento oscilante de um pêndulo até o comportamento não linear de circuitos elétricos, bem como modelos usados ​​na ciência climática e em circuitos neurais. Embora estes sistemas sejam muito diferentes, a IA descobriu consistentemente um pequeno número de variáveis ​​ocultas que governavam o seu comportamento. Em muitos casos, os modelos resultantes eram 10 vezes mais pequenos do que os produzidos pelos métodos anteriores de aprendizagem automática, ao mesmo tempo que proporcionavam previsões fiáveis ​​a longo prazo.

“O que se destaca não é apenas a precisão, mas a interpretabilidade”, disse Chen, que também tem cargos em engenharia elétrica e de computação e ciência da computação. “Quando um modelo linear é compacto, o processo de descoberta científica pode ser naturalmente conectado às teorias e métodos existentes que os cientistas humanos desenvolveram ao longo de milênios. É como conectar cientistas de IA com cientistas humanos.”

Encontrando estabilidade e sinais de alerta

A estrutura faz mais do que fazer previsões. Também pode identificar estados estáveis, conhecidos como atratores, onde um sistema se estabelece naturalmente ao longo do tempo. Reconhecer esses estados é fundamental para determinar se um sistema está operando normalmente, oscilando lentamente ou se aproximando da instabilidade.

“Para um dinamicista, encontrar essas estruturas é como encontrar os marcos de uma nova paisagem”, disse Sam Moore, autor principal e candidato a doutorado no Laboratório Geral de Robótica de Chen. “Depois de saber onde estão os pontos estáveis, o resto do sistema começa a fazer sentido.”

Os pesquisadores observam que este método é especialmente útil quando as equações tradicionais não estão disponíveis, estão incompletas ou são muito complexas para serem derivadas. “Não se trata de substituir a física”, continuou Moore. “Trata-se de ampliar nossa capacidade de raciocinar usando dados quando a física é desconhecida, oculta ou muito complicada para ser anotada.”

Em direção aos cientistas de máquinas

Olhando para o futuro, a equipe está explorando como a estrutura poderia ajudar a orientar o projeto experimental, selecionando ativamente quais dados coletar para revelar a estrutura de um sistema de forma mais eficiente. Eles também planejam aplicar o método a formas mais ricas de dados, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.

Esta pesquisa apóia um objetivo de longo prazo no Laboratório Geral de Robótica de Chen de desenvolver “cientistas de máquina” que auxiliem na descoberta científica automatizada. Ao ligar a IA moderna à linguagem matemática dos sistemas dinâmicos, o trabalho aponta para um futuro em que a IA fará mais do que reconhecer padrões. Pode ajudar a descobrir as regras fundamentais que moldam tanto o mundo físico como os sistemas vivos.

Este trabalho foi apoiado pela National Science Foundation Graduate Research Fellowship, pelo programa STRONG do Laboratório de Pesquisa do Exército (W911NF2320182, W911NF2220113), pelo Escritório de Pesquisa do Exército (W911NF2410405), pelo programa DARPA FoundSci (HR00112490372) e pelo programa DARPA TIAMAT (HR00112490419).

Site do projeto:

Vídeo:

Site do Laboratório Geral de Robótica: