La optimización de diseños complejos en ingeniería enfrenta un desafío común: la dificultad de evaluar múltiples variables. Ya sea en la optimización de una red eléctrica o en el diseño de un vehículo más seguro, cada prueba puede ser costosa y las decisiones son complejas.
En el caso del diseño de la seguridad de un automóvil, los ingenieros deben integrar miles de piezas, donde muchas elecciones impactan el rendimiento en caso de colisión. Las herramientas de optimización tradicionales pueden no ser efectivas al buscar la mejor combinación de elementos.
Una nueva estrategia de optimización
Investigadores del MIT han desarrollado un enfoque innovador que transforma el método clásico de optimización bayesiana para resolver problemas con numerosas variables. En pruebas de referencia realistas, como la optimización de sistemas eléctricos, este nuevo método encontró soluciones entre 10 y 100 veces más rápido que los métodos convencionales.
Su técnica utiliza un modelo de fundamento tabular que se entrena en datos tabulares, identificando automáticamente las variables más relevantes para mejorar el rendimiento. Este modelo se adapta a diversas aplicaciones gracias a su entrenamiento en grandes conjuntos de datos.
El modelo de fundamento tabular no requiere ser reentrenado continuamente, lo que mejora la eficiencia del proceso de optimización. Este enfoque proporciona mayores aceleraciones en problemas complejos, siendo especialmente útil en desarrollo de materiales o descubrimiento de fármacos.
Características y ventajas del nuevo modelo
“Los modelos de IA moderna pueden cambiar fundamentalmente la forma en que los ingenieros crean sistemas complejos. Hemos desarrollado un algoritmo que resuelve problemas de alta dimensión y es reutilizable, lo que significa que se puede aplicar a múltiples problemas sin comenzar desde cero”, explica Rosen Yu, estudiante de posgrado y autor principal de un artículo sobre esta técnica.
En el artículo, Yu colabora con Cyril Picard, exinvestigador del MIT, y Faez Ahmed, profesor asociado de ingeniería mecánica. Este trabajo se presentará en la Conferencia Internacional sobre Representaciones de Aprendizaje.
Cuando los científicos enfrentan problemas complejos con métodos de evaluación costosos, como las pruebas de colisión de automóviles, suelen recurrir a la optimización bayesiana. Este método encuentra la mejor configuración para un sistema complicado mediante un modelo sustituto que estima qué explorar a continuación.
Retos y resultados del estudio
Sin embargo, el modelo sustituto debe ser reentrenado tras cada iteración, lo que puede volverse ineficaz en espacios de soluciones grandes. Para abordar esta limitación, los investigadores del MIT incorporaron un modelo de fundamento tabular en el algoritmo de optimización bayesiana.
“Un modelo de fundamento tabular es similar a un ChatGPT para hojas de cálculo. Su entrada y salida son datos tabulares, que son más comunes en ingeniería que el lenguaje”, dice Yu.
Este modelo, preentrenado en grandes volúmenes de datos tabulares, está preparado para abordar una variedad de problemas de predicción sin necesidad de reentrenamiento. Además, el sistema identifica características del espacio de diseño que impactan significativamente en la solución.
Perspectivas futuras
Los investigadores enfrentaron el desafío de encontrar el mejor modelo de fundamento tabular para esta tarea y conectarlo con el algoritmo de optimización bayesiana. Esta combinación permite identificar las características de diseño más relevantes.
“Cuando un problema de optimización tiene más dimensiones, nuestro algoritmo realmente sobresale”, añade Yu. Sin embargo, su método no superó a todos los algoritmos en todos los problemas, como la planificación de rutas robóticas, lo que sugiere que ese escenario no estaba bien definido en los datos de entrenamiento.
En el futuro, los investigadores planean explorar métodos para mejorar el rendimiento de los modelos de fundamento tabular y aplicar su técnica a problemas de miles o millones de dimensiones, como el diseño de un barco naval.
“Este trabajo indica un cambio más amplio: usar modelos de fundamento no solo para percepción o lenguaje, sino como motores algorítmicos en herramientas científicas y de ingeniería”, concluye Ahmed.
