O sistema é inspirado no trabalho dos grandes “dinamicistas” da história — cientistas que estudam sistemas que mudam ao longo do tempo. Assim como Isaac Newton, frequentemente considerado o primeiro dinamicista, desenvolveu equações ligando força e movimento, essa IA analisa dados que mostram como sistemas complexos evoluem e, então, produz equações que descrevem com precisão esse comportamento.

O que diferencia essa abordagem é sua capacidade de lidar com complexidades que vão muito além da capacidade humana. A IA pode lidar com sistemas não lineares que envolvem centenas ou até milhares de variáveis interativas e reduzi-los a regras mais simples, com muitas menos dimensões.

Uma Nova Ferramenta para Entender a Mudança ao Longo do Tempo

A pesquisa, publicada em 17 de dezembro online na revista npj Complexity, apresenta uma nova maneira poderosa para os cientistas usarem 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 de Robótica Geral e Professor Assistente da Família Dickinson de Engenharia Mecânica e Ciência dos Materiais na Duke. “Estamos cada vez mais com os dados brutos necessários para entender sistemas complexos, mas não temos as ferramentas para transformar essas informações nas regras simplificadas que os cientistas dependem. Preencher essa lacuna é essencial.”

Um exemplo clássico de simplificação vem da física. O caminho de uma bola 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 dessa complexidade, uma aproximação próxima de seu movimento pode ser capturada com uma simples equação linear que utiliza apenas a velocidade e ângulo de lançamento.

Aprimorando uma Ideia Matemática de Décadas

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

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

É aqui 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 sobre como um sistema muda. Ela combina aprendizado profundo com restrições inspiradas pela física para reduzir 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, enquanto permanece fiel à complexidade do mundo real.

Para testar a abordagem, os pesquisadores a aplicaram a uma ampla variedade de sistemas. Esses variaram desde o familiar movimento oscilante de um pêndulo até o comportamento não linear de circuitos elétricos, bem como modelos usados na ciência climática e circuitos neurais. Embora esses sistemas sejam bastante diferentes, a IA consistentemente descobriu um pequeno número de variáveis ocultas que governavam seu comportamento. Em muitos casos, os modelos resultantes eram mais de 10 vezes menores do que os produzidos por métodos anteriores de aprendizado de máquina, ao mesmo tempo que entregavam previsões de longo prazo confiáveis.

“O que se destaca não é apenas a precisão, mas a interpretabilidade,” disse Chen, que também possui nomeações em engenharia elétrica e computacional 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 previsões. Ela também pode identificar estados estáveis, conhecidos como atratores, onde um sistema naturalmente se estabiliza ao longo do tempo. Reconhecer esses estados é fundamental para determinar se um sistema está operando normalmente, flutuando lentamente ou se aproximando da instabilidade.

“Para um dinamicista, encontrar essas estruturas é como descobrir os marcos de uma nova paisagem,” disse Sam Moore, o autor principal e doutorando no Laboratório de Robótica Geral de Chen. “Uma vez que você sabe onde estão os pontos estáveis, o resto do sistema começa a fazer sentido.”

Os pesquisadores observam que esse método é especialmente útil quando as equações tradicionais estão indisponíveis, incompletas ou muito complexas para derivar. “Isso não se trata de substituir a física,” continuou Moore. “É sobre expandir nossa capacidade de raciocinar usando dados quando a física é desconhecida, oculta ou muito complicada para ser escrita.”

Rumo a Cientistas de Máquina

Olhando para o futuro, a equipe está explorando como a estrutura poderia ajudar a orientar o design 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 de dados mais ricas, incluindo vídeo, áudio e sinais de sistemas biológicos complexos.

Essa pesquisa apoia um objetivo de longo prazo no Laboratório de Robótica Geral de Chen para desenvolver “cientistas de máquina” que auxiliem na descoberta científica automatizada. Ao vincular a IA moderna com a linguagem matemática dos sistemas dinâmicos, o trabalho aponta para um futuro em que a IA faz mais do que reconhecer padrões. Ela pode ajudar a descobrir as regras fundamentais que moldam tanto o mundo físico quanto os sistemas vivos.

Este trabalho foi apoiado pela Bolsa de Pesquisa de Pós-Graduação da National Science Foundation, pelo programa STRONG do Exército (W911NF2320182, W911NF2220113), pelo Army Research Office (W911NF2410405), pelo programa FoundSci da DARPA (HR00112490372) e pelo programa TIAMAT da DARPA (HR00112490419).

Website do Projeto: http://generalroboticslab.com/AutomatedGlobalAnalysis

Vídeo: https://youtu.be/8Q5NQegHz50

Website do Laboratório de Robótica Geral: http://generalroboticslab.com