Revolucionando a Engenharia: O Novo Papel da IA na Resolução de Equações Complexas Mais Rápido que Supercomputadores

Supercomputadores são conhecidos por seu alto desempenho, o que lhes permite resolver problemas computacionais complexos. Os computadores mais rápidos do mundo, essas máquinas podem processar conjuntos de dados massivos e executar cálculos complexos em velocidades rápidas, capazes de resolver até um quintilhão de cálculos por segundo.

Interessantemente, apenas esta semana, a gigante de tecnologia Google revelou seu chip de próxima geração chamado ‘Willow’, que opera usando qubits supercondutores e pode resolver um problema matemático complexo em apenas cinco minutos, reduzindo erros exponencialmente. 

Apesar de seu desempenho impressionante, o chip quântico está longe de quebrar a criptografia moderna.

Em meio a tudo isso, uma nova inteligência artificial (IA) surge com a capacidade de resolver problemas de engenharia complexos ainda mais rápido que supercomputadores. A nova solução tecnológica vem de pesquisadores da Johns Hopkins, que podem ser agentes de mudança no campo da engenharia.

A Nova Era da IA 

Depois de ser um tema quente por anos, a IA finalmente começou a ser utilizada de forma significativa em indústrias‑chave. Seu imenso potencial para melhorar eficiência e produtividade tem seu mercado crescendo além de $184 billion this year e está previsto para increase revenue by more than $15 trillion até o final desta década. 

Um relatório recente constatou que 68% das organizações estão ativamente utilizando IA Generativa ou desenvolveram roteiros após implementações piloto bem‑sucedidas. 

À medida que a IA continua a transformar várias indústrias, especialmente o cenário de engenharia, as pessoas agora enfrentam o desafio de se tornarem obsoletas. Estimativas sugerem que, na próxima década, até 40% das tarefas de engenharia podem ser automatizadas.

Para entender o impacto da IA no mundo, devemos primeiro compreender que a IA é simplesmente uma tecnologia que permite que máquinas e computadores simulem o pensamento humano, aprendizado, compreensão, resolução de problemas, tomada de decisão e criatividade. 

Por trás da IA está o aprendizado de máquina, que envolve treinar um algoritmo para criar modelos que utilizam dados para tomar decisões e fazer previsões. 

Existem diferentes tipos de algoritmos ou técnicas de aprendizado de máquina, sendo as redes neurais artificiais um dos tipos mais populares. Essas redes são modeladas a partir da estrutura e função do cérebro humano. 

Aprendizado profundo, um subconjunto do aprendizado de máquina, usa redes neurais multilayer que são ainda mais eficazes em simular o complexo poder de tomada de decisão do cérebro humano. Essas redes aprendem a partir de dados e são usadas para resolver diferentes problemas, desde reconhecimento de imagens e fala até o processamento de linguagem natural. 

O aprendizado profundo está mudando completamente a forma como as máquinas interagem com dados complexos, com a capacidade de superar o desempenho humano enquanto alcança alta precisão.

Usando IA para Resolver Problemas Complexos 

A IA oferece inúmeros benefícios, como automação de tarefas repetitivas, menos erros humanos, disponibilidade 24 horas por dia e aprimoramento da tomada de decisão, o que levou à sua aplicação em todos os tipos de negócios em diversos setores.

A capacidade da tecnologia de analisar eficientemente enormes quantidades de dados, identificar padrões que podem ter sido perdidos pelos humanos e, finalmente, executar cálculos rápidos faz da IA uma ótima ferramenta para resolver problemas complexos. Ao lidar com grandes conjuntos de dados e cenários de tomada de decisão intrincados que seriam demorados ou impossíveis para humanos abordarem sozinhos, a IA pode ser imensamente útil.

Assim, há um foco crescente no uso da IA para resolver questões intrincadas. Há um ano, pesquisadores do MIT e da ETH Zurich usaram aprendizado de máquina para resolver o problema de otimização de roteamento eficiente de pacotes de férias para empresas como a FedEx.

Essas empresas utilizam um software chamado resolvedor de programação linear de inteiros mistos (MILP) que divide o problema em partes menores e usa algoritmos genéricos para encontrar a melhor solução, o que pode levar horas e até dias.

Aqui, a parte chave que retarda todo o processo é que os resolvedores MILP têm muitas soluções potenciais. Os pesquisadores usaram um mecanismo de filtragem para simplificar essa etapa, o que acelerou os resolvedores MILP entre 30-70% sem afetar a precisão. Para isso, a técnica baseou‑se no princípio de retornos marginais decrescentes e então usou aprendizado de máquina, treinado com um conjunto de dados específico para o problema, para encontrar a solução ótima a partir do número reduzido de opções.

No início deste mês, uma startup baseada em Londres, PhysicsX, introduziu um grande modelo de geometria chamado LGM-Aero para engenharia aeroespacial. O modelo de geometria e física é esperado ajudar a trazer reduções notáveis no tempo de desenvolvimento de conceitos de aeronaves. A empresa disponibilizou publicamente uma aplicação de referência (‘Ai.rplane’) construída sobre o LGM-Aero para demonstrar as capacidades do seu modelo na geração de designs de aeronaves e na previsão da física relacionada ao desempenho das aeronaves. 

O modelo é treinado na computação em nuvem da Amazon Web Services (AWS) usando mais de 25 milhões de formas diferentes, representando mais de 10 bilhões de vértices. Seus dados de treinamento também incluem uma coleção de simulações de dinâmica de fluidos computacional (CFD) e análise de elementos finitos (FEA) geradas em colaboração com a Siemens. 

Assim como os LLMs compreendem texto, o LGM possui um vasto conhecimento das formas e estruturas importantes para a engenharia aeroespacial e, como tal, “pode otimizar múltiplos tipos de física em segundos, muitas ordens de magnitude mais rápido que simulação numérica, e no mesmo nível de precisão,” disse o CEO Jacomo Corbo.

Este ano, a OpenAI, a empresa de pesquisa em IA apoiada pela Microsoft (MSFT ) por trás do ChatGPT, também revelou seus modelos mais recentes, o1-preview e o1-mini, alegando um salto significativo nas capacidades de raciocínio dos grandes modelos de linguagem (LLMs). 

O modelo vem com a capacidade de usar “raciocínio em cadeia de pensamento”, semelhante ao que os humanos fazem ao resolver um problema, o que envolve dividir coisas complexas em tarefas pequenas e manejáveis. A aplicação de raciocínio semelhante ao humano em LLMs tem sido observada anteriormente pelo Google Research e outros também. 

Um Novo Modelo de IA para Resolver EDPs

À medida que o uso e a popularidade da IA continuam a crescer, também crescem suas capacidades, com pesquisadores e empresas trabalhando para tornar a tecnologia melhor e mais precisa. 

O mais recente framework de IA dos pesquisadores da Johns Hopkins está adotando uma abordagem genérica para prever soluções de equações matemáticas demoradas e prevalentes. As equações diferenciais parciais (EDPs) são uma tarefa onipresente no campo da engenharia e da pesquisa médica. 

No entanto, os custos computacionais envolvidos na resolução dessas equações podem ser proibitivamente altos. Além disso, resolver esses problemas matemáticos massivos geralmente requer supercomputadores, mas isso não é mais necessário. 

O novo framework de IA permite que até mesmo computadores pessoais enfrentem essas equações diferenciais parciais que os cientistas usam para traduzir processos ou sistemas do mundo real em representações matemáticas de como os objetos mudam ao longo do tempo e do espaço.

Esta não é a primeira vez que um modelo de IA foi proposto para resolver EDPs; de fato, sua ideia foi compartilhada há algumas décadas. No campo emergente de aprendizado de máquina científico, resolver equações diferenciais parciais com redes neurais tem ganhado muita atenção na última década graças a todos os avanços na capacidade computacional para treinar redes neurais profundas. 

Apesar do sucesso do operador neural, que usa IA para aprender o operador de solução de EDP, a pesquisa mais recente observou que gargalos computacionais continuam a existir ao executar tarefas de otimização e prognóstico. Isso ocorre devido à incapacidade dos operadores neurais de avaliar soluções de EDP que dependem da geometria.

Atualmente, a maioria dos frameworks de operador neural, conforme o estudo observou, são desenvolvidos em um domínio com limites fixos. Além disso, variações de forma exigem re‑treinamento da rede neural. 

Portanto, com o objetivo de enfrentar esses desafios computacionais, os pesquisadores propuseram o DIMON — Aprendizado de Operador de Mapeamento Difeomórfico. Para isso, combinaram operadores neurais com mapeamentos difeomórficos entre domínios e formas. 

O modelo elimina a necessidade de recalcular grades a cada mudança de forma. Dessa forma, o DIMON pode acelerar simulações e otimizar projetos ao prever como elementos físicos como movimento, tensão e calor se comportam em diferentes formas, em vez de dividir formas complexas em pequenos elementos.

Geralmente, resolver essas equações envolve dividir formas complexas, como órgãos humanos ou asas de avião, em grades ou malhas compostas por pequenos elementos. O problema é então resolvido em cada peça simples antes de ser recombinado. 

No entanto, se essas formas mudarem devido a um acidente ou deformação, as grades precisam ser atualizadas. Isso significa que as soluções também precisam ser recalculadas, o que torna todo o processo computacional não apenas caro, mas também lento. 

O DIMON aqui emprega IA para entender como os sistemas físicos funcionam com várias formas. Assim, os pesquisadores não precisam dividir as formas em grades e resolver equações repetidamente; ao contrário, a IA utiliza os padrões que aprendeu para prever como diferentes fatores se comportarão, tornando mais eficiente e rápido modelar cenários específicos de forma e otimizar projetos.

De acordo com a co‑líder Natalia Trayanova, professora de engenharia biomédica e medicina na Universidade Johns Hopkins:

“Embora a motivação para desenvolvê-lo tenha vindo do nosso próprio trabalho, esta é uma solução que acreditamos que terá um impacto massivo em vários campos da engenharia porque é muito genérica e escalável.”

Um Ponto de Virada para Projetos de Engenharia

O novo framework de IA fornece uma abordagem que permite a previsão rápida de soluções de EDP em múltiplos domínios. Além disso, facilita muitas aplicações subsequentes usando IA. 

Falando sobre as capacidades do modelo, Trayanova observou que o DIMON pode basicamente trabalhar em qualquer problema em qualquer campo da ciência ou engenharia para resolver EDP em múltiplas geometrias. 

Isso inclui testes de colisão, análise de como espaçonaves respondem a ambientes extremos, avaliação de como pontes resistem a tensões, estudo de como fluidos se propagam através de diferentes geometrias, pesquisas ortopédicas e a abordagem de outros problemas complexos onde materiais e formas mudam. A modelagem de todos esses cenários agora pode ser feita muito mais rapidamente graças ao novo framework de IA.

Para demonstrar a aplicabilidade do novo modelo na resolução de outros tipos de problemas de engenharia, a equipe testou o DIMON em mais de 1.000 “gêmeos digitais” de coração. Esses gêmeos digitais são modelos computacionais altamente detalhados dos corações de pacientes reais.

É por meio da resolução de equações diferenciais parciais que a arritmia cardíaca é estudada. A condição causa batimentos irregulares no coração devido a um mau funcionamento do impulso elétrico. Os gêmeos digitais de corações permitem que os pesquisadores determinem se pacientes podem desenvolver essa condição, que costuma ser fatal, e então recomendem formas de tratá‑la. 

O novo framework de IA foi considerado bem‑sucedido em prever como os sinais elétricos se transmitem através de cada forma única de coração com alta precisão, sem sequer precisar realizar simulações numéricas caras.

Trayanova, diretora da Aliança Johns Hopkins para Inovação em Diagnóstico e Tratamento Cardiovascular, aplica abordagens baseadas em dados, modelagem computacional e inovações em imagem cardíaca para diagnosticar e tratar doenças cardiovasculares. Eles estão constantemente introduzindo tecnologia inovadora na clínica.  

No entanto, ela observou que suas soluções ainda são muito lentas, pois leva cerca de uma semana para escanear o coração de um paciente e resolver a EDP para prever se o paciente tem alto risco de morte cardíaca súbita e então fornecer o melhor plano de tratamento.

Mas isso está passando por uma mudança monumental com seu modelo mais recente.

“Com esta nova abordagem de IA, a velocidade com que podemos obter uma solução é inacreditável.”

– Trayanova

O tempo que leva para fazer a previsão de um gêmeo digital de coração foi reduzido de várias horas para apenas meio minuto (30 segundos). Isso nem é tudo; calcular isso nem requer um supercomputador. Em vez disso, tudo é feito em um computador de mesa, o que Trayanova disse que permitiria a eles “integrá‑lo ao fluxo de trabalho clínico diário.”

A versatilidade da tecnologia a torna perfeita para situações onde a resolução de equações diferenciais parciais em novas formas é necessária repetidamente. 

“Para cada problema, o DIMON primeiro resolve as equações diferenciais parciais em uma única forma e depois mapeia a solução para múltiplas novas formas. Essa capacidade de mudança de forma destaca sua tremenda versatilidade. Estamos muito entusiasmados em colocá‑lo em prática em muitos problemas, bem como em disponibilizá‑lo para a comunidade mais ampla para acelerar suas soluções de design de engenharia.”

– Minglang Yin, bolsista de pós‑doutorado em Engenharia Biomédica da Johns Hopkins, que desenvolveu a plataforma

Empresas que Avançam a IA

Agora, vamos dar uma olhada nas empresas que estão ajudando a levar a revolução tecnológica da IA a novos patamares. 

1. NVIDIA Corporation

Um fornecedor líder de GPUs, a Nvidia (NVDA ) é a segunda maior empresa, com capitalização de mercado de $3.28 trillion. No momento da escrita, suas ações estão sendo negociadas a $133.91, um aumento impressionante de 171.9% no ano (YTD) enquanto tem EPS (TTM) de 2.54, P/E (TTM) de 52.90, e ROE (TTM) de 127.21% pagando um rendimento de dividendos de 0.03%.

As soluções de hardware e software da empresa são cruciais para aplicações de aprendizado profundo e simulações de engenharia, desempenhando um papel importante no avanço da revolução da IA.

Impulsionada pela mania da IA, a Nvidia relatou uma receita de mais de $35 billion for Q3 ended 27 de outubro de 2024, which is an increase of 17% from the previous quarter and a massive 94% increase from a year ago.

“A era da IA está em pleno vapor, impulsionando uma mudança global para a computação NVIDIA,” disse o CEO e fundador Jensen Huang, que acrescentou que a IA não está apenas transformando empresas e indústrias, mas também países que estão “despertos para a importância de desenvolver sua IA nacional e infraestrutura.”

2. Microsoft Corporation   

Com uma capitalização de mercado de $3.32 trillion, a Microsoft está entre as três maiores empresas do mundo por capitalização. Suas ações, no momento da escrita, estão sendo negociadas a $447.24, representando um aumento de quase 19% YTD. Isso coloca o EPS (TTM) da empresa em 12.11, P/E (TTM) em 36.92, e ROE (TTM) em 35.60%. O rendimento de dividendos pago pela Microsoft, por sua vez, é de 0.74%.

O maior envolvimento da Microsoft em IA é através da OpenAI, na qual investiu mais de $13 billion. Além de sua parceria com a OpenAI, que foi recentemente avaliada em $150bn, a Microsoft também está fortemente investida em pesquisa de IA, soluções em nuvem e aplicações para engenharia e computação científica.

No período entre julho e setembro, a empresa relatou $65.6 billion in sales, an increase of 16% from a year earlier, while its profits rose 11% to $24.7 billion. This growth was propelled by demand continuing “to be higher than our available capacity,” as per Microsoft’s finance chief.

3. ANSYS, Inc.

Esta empresa se especializa em software de simulação de engenharia para resolver problemas complexos. A empresa, cujos serviços são usados por estudantes, pesquisadores, designers e engenheiros, está também integrando cada vez mais IA para melhorar a eficiência.

Com uma capitalização de mercado de $29.75 billion, as ações da Ansys estão atualmente sendo negociadas a $339.51, uma queda de 6.24% neste ano. Isso coloca o EPS (TTM) da empresa em 6.47, P/E (TTM) em 52.55 e ROE (TTM) em 10.48%.

Para o 3T24, a Ansys relatou $601.9 million in revenue, up 31% from the third quarter last year, while its annual contract value (ACV) was $540.5 million. The GAAP operating profit margin was reported to be 26.8%, while the non-GAAP operating profit margin was 45.8%. Operating cash flows for the period came in at $174.2 million, while its deferred revenue and backlog were $1,463.8 million.

Conclusão 

A IA está avançando a um ritmo rápido, e a introdução de novos frameworks de IA como o DIMON marca um passo revolucionário na resolução de problemas de engenharia complexos, reduzindo drasticamente o tempo e os custos computacionais associados a eles. Dessa forma, a inovação não apenas acelera os processos de design de engenharia, mas também expande a aplicação da IA em diversos campos.

À medida que os pesquisadores, juntamente com empresas como a Nvidia, continuam a fazer grandes descobertas, construir modelos poderosos e avançar tecnologias, o potencial de integrar IA nos fluxos de trabalho cotidianos cresce exponencialmente, apontando para uma nova era onde a IA impulsiona eficiência e inovação sem precedentes!

Clique aqui para aprender tudo sobre investir em inteligência artificial.