Revolucionando la Ingeniería: El Nuevo Papel de la IA en Resolver Ecuaciones Complejas Más Rápido que los Supercomputadores

Los supercomputadores son conocidos por su alto rendimiento, lo que les permite resolver problemas computacionales complejos. Las computadoras más rápidas del mundo, estas máquinas pueden procesar conjuntos de datos masivos y realizar cálculos complejos a velocidades rápidas, capaces de resolver hasta un quintillón de cálculos por segundo.

Curiosamente, justo esta semana, el gigante tecnológico Google presentó su chip de próxima generación llamado ‘Willow,’ que funciona usando qubits superconductores y puede resolver un problema matemático complejo en solo cinco minutos mientras reduce los errores exponencialmente. 

A pesar de su impresionante rendimiento, el chip cuántico está muy lejos de romper la criptografía moderna.

En medio de todo esto, una nueva inteligencia artificial (IA) llega con la capacidad de resolver problemas de ingeniería complejos incluso más rápido que los supercomputadores. La nueva solución tecnológica proviene de investigadores de Johns Hopkins, que pueden ser agentes de cambio en el ámbito de la ingeniería.

La Nueva Era de la IA 

Después de ser un tema candente durante años, la IA finalmente ha comenzado a utilizarse de manera significativa en industrias clave. Su inmenso potencial para mejorar la eficiencia y la productividad ha hecho que su mercado crezca más de $184 mil millones este año y se proyecta a incrementar los ingresos en más de $15 billones para finales de esta década. 

Un informe reciente encontró que el 68 % de las organizaciones están utilizando activamente IA generativa o han desarrollado hojas de ruta tras implementaciones piloto exitosas. 

A medida que la IA continúa transformando diversas industrias, especialmente el panorama de la ingeniería, las personas ahora enfrentan el desafío de quedar obsoletas. Las estimaciones sugieren que en la próxima década, hasta el 40 % de las tareas de ingeniería podrían automatizarse.

Para comprender el impacto de la IA en el mundo, primero debemos entender que la IA es simplemente una tecnología que permite a máquinas y computadoras simular el pensamiento humano, el aprendizaje, la comprensión, la resolución de problemas, la toma de decisiones y la creatividad. 

Bajo la IA se encuentra el aprendizaje automático, que implica entrenar un algoritmo para crear modelos que utilizan datos para tomar decisiones y hacer predicciones. 

Existen diferentes tipos de algoritmos o técnicas de aprendizaje automático, siendo las redes neuronales artificiales uno de los tipos más populares. Estas redes están modeladas según la estructura y función del cerebro humano. 

El aprendizaje profundo, una subcategoría del aprendizaje automático, utiliza redes neuronales multicapa que son aún más efectivas para simular el complejo poder de toma de decisiones del cerebro humano. Estas redes aprenden de los datos y se utilizan para resolver diferentes problemas, que van desde el reconocimiento de imágenes y voz hasta el procesamiento del lenguaje natural. 

El aprendizaje profundo está cambiando por completo la forma en que las máquinas interactúan con datos complejos, con la capacidad de superar el rendimiento a nivel humano mientras se logra una alta precisión.

Usando IA para Abordar Problemas Complejos 

La IA ofrece numerosos beneficios, como la automatización de tareas repetitivas, menos errores humanos, disponibilidad 24/7 y una toma de decisiones mejorada, lo que ha llevado a su aplicación en todo tipo de negocios en diversas industrias.

La capacidad de la tecnología para analizar eficientemente enormes cantidades de datos, identificar patrones que podrían haber sido pasados por alto por los humanos y, finalmente, ejecutar cálculos rápidos convierte a la IA en una herramienta excelente para resolver problemas complejos. Cuando se trata de conjuntos de datos grandes y escenarios de toma de decisiones intrincados que serían laboriosos o imposibles de abordar solo por humanos, la IA puede ser inmensamente útil.

Por lo tanto, hay un enfoque creciente en utilizar la IA para resolver problemas intrincados. Hace un año, investigadores del MIT y ETH Zurich utilizaron aprendizaje automático para resolver el problema de optimización de enrutar eficientemente paquetes de vacaciones para empresas como FedEx.

Estas compañías utilizan un software llamado solucionador de programación lineal entera mixta (MILP) que divide el problema en piezas más pequeñas y usa algoritmos genéricos para encontrar la mejor solución, lo que podría tomar horas e incluso días.

Aquí, la parte clave que ralentiza todo el proceso es que los solucionadores MILP tienen demasiadas soluciones potenciales. Los investigadores usaron un mecanismo de filtrado para simplificar este paso, lo que aceleró los solucionadores MILP entre un 30‑70 % sin afectar la precisión. Para ello, la técnica se basó en el principio de rendimientos marginales decrecientes y luego utilizó aprendizaje automático, entrenado con un conjunto de datos específico al problema, para encontrar la solución óptima entre el número reducido de opciones.

A principios de este mes, una startup con sede en Londres, PhysicsX, presentó un modelo de geometría grande llamado LGM-Aero para la ingeniería aeroespacial. Se espera que el modelo de geometría y física ayude a lograr reducciones notables en el tiempo de desarrollo de conceptos de aeronaves. La compañía ha puesto una aplicación de referencia (‘Ai.rplane’) construida sobre LGM-Aero disponible públicamente para demostrar las capacidades de su modelo en generar diseños de aeronaves y predecir la física relacionada con el rendimiento de las mismas. 

El modelo está entrenado en la computación en la nube de Amazon Web Services (AWS) usando más de 25 millones de formas diferentes, que representan más de 10 mil millones de vértices. Sus datos de entrenamiento también incluyen una colección de simulaciones de dinámica de fluidos computacional (CFD) y análisis de elementos finitos (FEA) generadas en colaboración con Siemens. 

Al igual que los LLM comprenden texto, el LGM posee un vasto conocimiento de las formas y estructuras importantes para la ingeniería aeroespacial y, como tal, “puede optimizar múltiples tipos de física en segundos, muchas órdenes de magnitud más rápido que la simulación numérica, y al mismo nivel de precisión”, dijo el CEO Jacomo Corbo.

Este año, OpenAI, la empresa de investigación de IA respaldada por Microsoft detrás de ChatGPT, también presentó sus últimos modelos, o1-preview y o1-mini, alegando un salto significativo en las capacidades de razonamiento de los grandes modelos de lenguaje (LLM). 

El modelo viene con la capacidad de usar “razonamiento en cadena de pensamiento”, similar a lo que hacen los humanos al resolver un problema, lo que implica dividir cosas complejas en tareas pequeñas y manejables. La aplicación del razonamiento similar al humano en los LLM ha sido observada previamente por Google Research y otros también. 

Un Nuevo Modelo de IA para Resolver EDPs

A medida que el uso y la popularidad de la IA continúan creciendo, también lo hacen sus capacidades, con investigadores y empresas trabajando en mejorar la tecnología y hacerla más precisa. 

El último marco de IA de los investigadores de Johns Hopkins está adoptando un enfoque genérico para predecir soluciones a ecuaciones matemáticas que consumen tiempo y son prevalentes. Las ecuaciones diferenciales parciales (EDPs) son una tarea omnipresente en el campo de la ingeniería y la investigación médica. 

Sin embargo, los costos computacionales involucrados en resolver estas ecuaciones pueden ser prohibitivamente altos. Además, resolver estos enormes problemas matemáticos generalmente requiere supercomputadores, pero ya no es así. 

El nuevo marco de IA permite que incluso las computadoras personales aborden estas ecuaciones diferenciales parciales que los científicos usan para traducir procesos o sistemas del mundo real en representaciones matemáticas de cómo los objetos cambian en el tiempo y el espacio.

Esta no es la primera vez que se propone un modelo de IA para resolver EDPs; de hecho, su idea se compartió hace unas décadas. En el emergente campo del aprendizaje automático científico, resolver ecuaciones diferenciales parciales con redes neuronales ha ganado mucha atención en la última década gracias a todos los avances en la capacidad computacional para entrenar redes neuronales profundas. 

A pesar del éxito del operador neuronal, que usa IA para aprender el operador de solución de EDP, la investigación más reciente señaló que los cuellos de botella computacionales continúan existiendo al realizar tareas de optimización y pronóstico. Esto se debe a la incapacidad de los operadores neuronales para evaluar soluciones de EDP que dependen de la geometría.

Actualmente, la mayoría de los marcos de operadores neuronales, según el estudio, se desarrollan en un dominio con límites fijos. Además, tener variaciones de forma requiere volver a entrenar la red neuronal. 

Así, con el objetivo de abordar estos desafíos computacionales, los investigadores propusieron DIMON — Aprendizaje de Operador de Mapeo Difeomórfico. Para ello, combinaron operadores neuronales con mapeos difeomórficos entre dominios y formas. 

El modelo elimina la necesidad de recalcular las mallas con cada cambio de forma. De esta manera, DIMON puede acelerar las simulaciones y optimizar diseños prediciendo cómo se comportan elementos físicos como el movimiento, el estrés y el calor en diferentes formas, en lugar de descomponer formas complejas en pequeños elementos.

En general, resolver estas ecuaciones implica dividir formas complejas, como órganos humanos o alas de avión, en cuadrículas o mallas compuestas por pequeños elementos. El problema se resuelve en cada pieza simple antes de recombinarse. 

Sin embargo, si estas formas cambian debido a un choque o deformación, las cuadrículas deben actualizarse. Esto significa que las soluciones también deben recalcularse, lo que hace que todo el proceso de cómputo no solo sea costoso sino también lento. 

DIMON emplea IA para comprender cómo funcionan los sistemas físicos con diversas formas. Así, los investigadores no tienen que dividir las formas en cuadrículas y resolver ecuaciones una y otra vez; en cambio, la IA utiliza los patrones que ha aprendido para predecir cómo se comportarán diferentes factores, haciéndolo más eficiente y rápido para modelar escenarios específicos de forma y optimizar diseños.

Según la co-líder Natalia Trayanova, profesora de ingeniería biomédica y medicina en la Universidad Johns Hopkins:

“Aunque la motivación para desarrollarlo surgió de nuestro propio trabajo, esta es una solución que creemos tendrá un impacto masivo en varios campos de la ingeniería porque es muy genérica y escalable.”

Un Punto de Inflexión para los Diseños de Ingeniería

El nuevo marco de IA proporciona un enfoque que permite la predicción rápida de soluciones de EDP en múltiples dominios. Además, facilita muchas aplicaciones posteriores usando IA. 

Hablando de las capacidades del modelo, Trayanova señaló que DIMON puede trabajar básicamente en cualquier problema en cualquier campo de la ciencia o la ingeniería para resolver EDP en múltiples geometrías. 

Esto incluye pruebas de choque, analizar cómo las naves espaciales responden a entornos extremos, evaluar cómo los puentes resisten el estrés, estudiar cómo los fluidos se propagan a través de diferentes geometrías, realizar investigaciones ortopédicas y abordar otros problemas complejos donde los materiales y las formas cambian. La modelación de todos estos escenarios ahora puede hacerse mucho más rápido gracias al nuevo marco de IA.

Para demostrar la aplicabilidad del nuevo modelo en la resolución de otros tipos de problemas de ingeniería, el equipo probó DIMON en más de 1 000 “gemelos digitales” de corazón. Estos gemelos digitales son modelos informáticos altamente detallados de los corazones de pacientes reales.

Es mediante la resolución de ecuaciones diferenciales parciales que se estudia la arritmia cardíaca. La condición causa latidos irregulares en el corazón debido a un mal comportamiento del impulso eléctrico. Los gemelos digitales de corazones permiten a los investigadores determinar si los pacientes pueden desarrollar esta condición, que a menudo es fatal, y luego recomendar formas de tratarla. 

Se encontró que el nuevo marco de IA tuvo éxito al predecir cómo se transmiten las señales eléctricas a través de cada forma única de corazón con alta precisión sin necesidad de realizar simulaciones numéricas costosas.

Trayanova, directora de la Alianza Johns Hopkins para la Innovación en Diagnóstico y Tratamiento Cardiovascular, aplica enfoques basados en datos, modelado computacional e innovaciones en imágenes cardíacas para diagnosticar y tratar enfermedades cardiovasculares. Constantemente están introduciendo tecnología novedosa en la clínica.  

Sin embargo, ella señaló que sus soluciones siguen siendo demasiado lentas, ya que les lleva aproximadamente una semana escanear el corazón de un paciente y resolver la EDP para predecir si el paciente tiene alto riesgo de muerte cardíaca súbita y luego proporcionar el mejor plan de tratamiento.

Pero esto está experimentando un cambio monumental con su último modelo.

“Con este nuevo enfoque de IA, la velocidad con la que podemos obtener una solución es increíble.”

– Trayanova

El tiempo que lleva hacer la predicción de un gemelo digital de corazón se ha reducido de varias horas a solo medio minuto (30 segundos). Esto ni siquiera es todo; calcular esto ni siquiera requiere un supercomputador. Más bien, todo se realiza en una computadora de escritorio, lo que Trayanova dijo permitiría “integrarlo en el flujo de trabajo clínico diario”.

La versatilidad de la tecnología la hace perfecta para situaciones donde se necesita resolver ecuaciones diferenciales parciales en nuevas formas de manera repetida. 

“Para cada problema, DIMON primero resuelve las ecuaciones diferenciales parciales en una sola forma y luego mapea la solución a múltiples formas nuevas. Esta capacidad de cambio de forma destaca su tremenda versatilidad. Estamos muy entusiasmados de ponerla a trabajar en muchos problemas, así como de ofrecerla a la comunidad más amplia para acelerar sus soluciones de diseño de ingeniería.”

– Minglang Yin, investigador postdoctoral en Ingeniería Biomédica de Johns Hopkins, quien desarrolló la plataforma

Empresas que Impulsan la IA

Ahora, echemos un vistazo a las empresas que están ayudando a llevar la revolución tecnológica de la IA a nuevas alturas. 

1. NVIDIA Corporation (NVDA )

Un proveedor líder de GPUs, Nvidia es la segunda empresa más grande del mundo, con una capitalización de mercado de $3.28 billones. Al momento de escribir, sus acciones cotizan a $133.91, un impresionante aumento del 171,9 % en lo que va del año (YTD) mientras tiene un EPS (TTM) de 2,54, un P/E (TTM) de 52,90 y un ROE (TTM) de 127,21 % mientras paga un rendimiento de dividendo del 0,03 %.

Las soluciones de hardware y software de la compañía son cruciales para aplicaciones de aprendizaje profundo y simulaciones de ingeniería, desempeñando un papel importante en el avance de la revolución de la IA.

Impulsada por la fiebre de la IA, Nvidia informó de ingresos de más de $35 mil millones para el Q3 que terminó el 27 de octubre de 2024, lo que representa un aumento del 17 % respecto al trimestre anterior y un enorme aumento del 94 % respecto al año anterior.

“La era de la IA está en pleno auge, impulsando un cambio global hacia la computación NVIDIA,” dijo el CEO y fundador Jensen Huang, quien además señaló que la IA no solo está transformando a empresas e industrias, sino también a países que están “despertados a la importancia de desarrollar su IA nacional y su infraestructura”.

2. Microsoft Corporation (MSFT )  

Tener una capitalización de mercado de $3,32 billones sitúa a Microsoft entre las tres principales empresas del mundo por capitalización. Sus acciones, al momento de escribir, cotizan a $447.24, lo que representa un aumento de casi el 19 % YTD. Esto sitúa el EPS (TTM) de la compañía en 12,11, el P/E (TTM) en 36,92 y el ROE (TTM) en 35,60 %. El rendimiento de dividendo pagado por Microsoft, mientras tanto, es del 0,74 %.

La mayor participación de Microsoft en IA es a través de OpenAI, en la que ha invertido más de $13 mil millones. Además de su asociación con OpenAI, que fue valorada recientemente en $150 mil millones, Microsoft también está fuertemente invertida en investigación de IA, soluciones en la nube y aplicaciones para la ingeniería y la computación científica.

Para el período entre julio y septiembre, la compañía informó $65,6 mil millones en ventas, un aumento del 16 % respecto al año anterior, mientras sus ganancias aumentaron un 11 % a $24,7 mil millones. Este crecimiento fue impulsado por una demanda que continúa “siendo mayor que nuestra capacidad disponible”, según el director financiero de Microsoft.

3. ANSYS, Inc. (ANSS )

Esta se especializa en software de simulación de ingeniería para resolver problemas complejos. La compañía, cuyos servicios son utilizados por estudiantes, investigadores, diseñadores e ingenieros, también está integrando cada vez más IA para mejorar la eficiencia.

Con una capitalización de mercado de $29,75 mil millones, las acciones de Ansys cotizan actualmente a $339,51, una caída del 6,24 % este año. Esto tiene el EPS (TTM) de la compañía en 6,47, un P/E (TTM) de 52,55 y un ROE (TTM) de 10,48 %.

Para el 3T24, Ansys informó $601,9 millones en ingresos, un aumento del 31 % respecto al tercer trimestre del año pasado, mientras que su valor de contrato anual (ACV) fue de $540,5 millones. El margen de beneficio operativo GAAP se informó en 26,8 %, mientras que el margen de beneficio operativo no GAAP fue del 45,8 %. Los flujos de efectivo operativos para el período fueron de $174,2 millones, mientras que sus ingresos diferidos y cartera pendiente fueron de $1.463,8 millones.

Conclusión 

La IA avanza a un ritmo rápido, y la introducción de nuevos marcos de IA como DIMON marca un paso revolucionario en la resolución de problemas de ingeniería complejos mientras reduce drásticamente el tiempo y los costos computacionales asociados. De esta manera, el avance no solo acelera los procesos de diseño de ingeniería, sino que también amplía la aplicación de la IA a campos diversos.

A medida que los investigadores, junto con empresas como Nvidia, continúan haciendo grandes descubrimientos, construyendo modelos poderosos y avanzando en tecnologías, el potencial de integrar la IA en los flujos de trabajo cotidianos crece exponencialmente, lo que apunta a una nueva era donde la IA impulsa una eficiencia e innovación sin precedentes!

Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.