A pesquisa do MIT apresenta uma nova forma de resolver problemas de engenharia com alta dimensionalidade. O objetivo \u00e9 acelerar projetos complexos, como redes el\u00e9tricas ou desenho de ve\u00edculos mais seguras, usando uma otimiza\u00e7\u00e3o Bayesian. O m\u00e9todo usa uma varia\u00e7\u00e3o de IA para identificar as vari\u00e1veis mais relevantes.<\/p>\n
A equipe combina uma base de modelos de dados tabulares com a otimiza\u00e7\u00e3o Bayesian. O modelo prev\u00ea impactos de diferentes escolhas de projeto sem precisar recome\u00e7ar do zero a cada rodada de teste. O objetivo \u00e9 reduzir o tempo de busca por solu\u00e7\u00f5es eficientes.<\/p>\n
Os testes mostraram que, em benchmarks realistas, as melhores solu\u00e7\u00f5es foram encontradas entre 10 e 100 vezes mais r\u00e1pido que m\u00e9todos convencionais. O estudo foi desenvolvido com dados de engenharia e aplicado a problemas como otimiza\u00e7\u00e3o de sistemas de energia.<\/p>\n
A t\u00e9cnica utiliza um modelo de base tabular para atuar como o surrogate (aproxima\u00e7\u00e3o) no algoritmo de Bayesian optimization. O foco est\u00e1 em identificar quais dimens\u00f5es influenciam mais o resultado, concentrando a busca nessas vari\u00e1veis.<\/p>\n
O sistema \u00e9 descrito como um \u201cChatGPT para planilhas\u201d: o modelo tabular j\u00e1 vem pr\u00e9-treinado em grande volume de dados tabulares e pode ser usado sem retrain. A sele\u00e7\u00e3o de caracter\u00edsticas prioriza par\u00e2metros de alto impacto.<\/p>\n
Ao direcionar a explora\u00e7\u00e3o para vari\u00e1veis relevantes, a efici\u00eancia aumenta, sobretudo em problemas com centenas ou milhares de dimens\u00f5es. Em testes, a abordagem superou rivais em tarefas de design de energia e testes de colis\u00e3o veicular.<\/p>\n
Os pesquisadores compararam o m\u00e9todo com cinco algoritmos de ponta em 60 problemas de refer\u00eancia. Em grande parte dos casos, a nova t\u00e9cnica alcan\u00e7ou solu\u00e7\u00f5es \u00f3timas mais rapidamente, especialmente em problemas com maior dimensionalidade.<\/p>\n
Os autores informam que nem todos os cen\u00e1rios se beneficiaram; em planejamento de rotas rob\u00f3ticas, o desempenho foi inferior, possivelmente devido a dados de treinamento. Futuras etapas incluem ampliar o conjunto de problemas e explorar aplica\u00e7\u00f5es com milh\u00f5es de dimens\u00f5es.<\/p>\n","protected":false},"excerpt":{"rendered":"