En el mundo del diseño de máquinas complejas, desde las diminutas computadoras dentro de un termostato inteligente hasta los masivos sistemas de control de una red eléctrica moderna, los ingenieros se enfrentan a un problema persistente: cómo predecir cómo se comportará un sistema antes de que sea construido. Los métodos tradicionales dependen de fórmulas matemáticas que describen cada ley física en juego, pero estas fórmulas a menudo fallan cuando los sistemas se vuelven demasiado desordenados, demasiado viejos o demasiado influenciados por hábitos humanos impredecibles. Para llenar este vacío, los diseñadores han recurrido a un tipo diferente de herramienta: el aprendizaje automático (machine learning). Estos son programas informáticos que aprenden patrones a partir de datos en lugar de seguir reglas rígidas. Pueden adivinar cuánta energía consumirá una casa basándose en el clima, o predecir cuándo podría fallar un sensor. Sin embargo, integrar estos programas de aprendizaje en el software de simulación que los ingenieros utilizan para diseñar sus sistemas ha sido algo torpe. Por lo general, requiere la construcción de puentes personalizados entre diferentes herramientas de software, un proceso que es lento, propenso a errores y que dificulta la comparación justa de diferentes métodos de aprendizaje.

Un equipo de investigadores del Politecnico di Torino en Italia ha introducido una nueva forma de resolver esto, llamada SAMpLE. Piense en ello como un adaptador universal que permite que cualquier modelo de aprendizaje automático se conecte directamente al entorno de simulación, tal como un componente eléctrico estándar. Los investigadores construyeron un marco de trabajo que trata a estos modelos de aprendizaje como partes nativas del sistema, permitiéndoles funcionar fluidamente junto al resto del diseño sin necesidad de conexiones especiales y únicas. Este enfoque permite a los ingenieros probar qué tan bien funciona un modelo de aprendizaje en un entorno virtual, viendo si puede adaptarse a condiciones cambiantes en tiempo real o si funciona mejor cuando se entrena previamente. El equipo demostró que este método funciona de manera confiable, produciendo resultados que coinciden casi exactamente con los programas de aprendizaje originales, al tiempo que permite que diferentes tipos de algoritmos de aprendizaje sean probados uno al lado del otro bajo las mismas condiciones.

El núcleo del trabajo reside en cómo los investigadores organizaron su simulación. Utilizaron un tipo específico de lógica digital llamada Flujo de Datos Temporizado (Timed Dataflow), que es una forma de organizar las tareas informáticas para que ocurran en un orden estricto y predecible, procesando datos en trozos pequeños y regulares. Esta estructura resulta coincidir perfectamente con la forma en que funciona el aprendizaje automático: ambos toman un conjunto de entradas, las procesan y producen una salida en un momento específico. Al reconocer este encaje natural, el equipo creó un sistema donde un modelo de aprendizaje no necesita ser traducido o envuelto en capas de software adicionales. En su lugar, se convierte en un bloque estándar de la simulación, recibiendo datos, realizando una predicación y pasando el resultado, todo dentro del mismo ciclo de reloj que el resto del sistema.

Para que esto funcione, los investigadores diseñaron un marco de trabajo que soporta dos formas distintas de utilizar estos modelos de aprendizaje. La primera es un enfoque fuera de línea (offline), donde un modelo se entrena por separado utilizando computadoras potentes y luego se exporta a un formato estándar que la simulación pueda leer. Esto permite a los ingenieros utilizar modelos construidos con herramientas externas populares sin tener que reescribirlos desde cero. El segundo es un enfoque en línea (online), donde el modelo aprende directamente dentro de la simulación mientras esta se ejecuta. Esto es útil para sistemas que necesitan adaptarse a nueva información a medida que llega, como una red eléctrica que debe ajustarse a cambios repentinos en el clima o el uso. El marco de trabajo gestiona ambos métodos sin problemas, asegurando que, ya sea que un modelo haya sido entrenado fuera o dentro de la simulación, se comporte de manera consistente y pueda ser intercambiado o sustituido sin romper el resto del diseño.

El equipo probó su sistema utilizando datos del mundo real de dos fuentes diferentes: una que rastreaba el consumo eléctrico en un grupo de hogares y otra que monitoreaba la demanda de energía de una ciudad entera. Ejecutaron simulaciones utilizando varios tipos de modelos de aprendizaje, incluyendo predictores lineales simples y sistemas más complejos basados en árboles. Los resultados mostraron que la simulación podía reproducir las predicciones de los programas de aprendizaje originales con una precisión notable. Para los datos de la ciudad, que seguían un patrón suave y predecible, los modelos fueron casi perfectos, coincidiendo con los resultados originales con casi ninguna diferencia. Para los datos de los hogares, que eran mucho más ruidosos y difíciles de predecir, el sistema aun así funcionó bien, aunque los modelos tuvieron más dificultades con la imprevisibilidad. Crucialmente, los investigadores encontraron que los modelos de aprendizaje en línea, que se adaptaban sobre la marcha, eran significativamente mejores para manejar los datos desordenados de los hogares que los modelos estáticos entrenados previamente.

Uno de los hallazgos más importantes fue la capacidad de comparar diferentes métodos de aprendizaje de manera justa. Debido a que el marco de trabajo trata a cada modelo como un componente estándar, los ingenieros pueden cambiar de un tipo de algoritmo de aprendizaje a otro simplemente cambiando un ajuste en un archivo de configuración. No necesitan reescribir código ni reconstruir la simulación. Esto permite una comparación directa de cómo funcionan diferentes algoritmos bajo las mismas condiciones exactas, utilizando exactamente los mismos datos. El equipo midió cuánto tiempo tomó cada simulación y qué tan precisas fueron las predicciones, encontrando que algunos métodos eran mucho más rápidos que otros, mientras que algunos eran más precisos dependiendo del tipo de datos. Este tipo de comparación directa era difícil de lograr antes, ya que las diferentes herramientas de aprendizaje a menudo requerían configuraciones distintas que hacían imposible una comparación justa.

Los investigadores también verificaron que el sistema funciona de manera confiable en diferentes escenarios. Demostraron que el mismo código de simulación podía utilizarse tanto para los datos de los hogares como para los de la ciudad simplemente intercambiando los archivos de entrada, sin cambiar nada del software subyacente. Esta portabilidad sugiere que el marco de trabajo puede aplicarse a muchos tipos diferentes de problemas de ingeniería, desde la gestión de redes de energía hasta el diseño de vehículos autónomos. El sistema también incluye herramientas para verificar la calidad de los datos y el rendimiento de los modelos, proporcionando informes claros sobre qué tan bien coincidieron las predicaciones con la realidad. Esta transparencia ayuda a los ingenieros a confiar en los resultados y a entender dónde podría estar fallando un modelo.

Aunque el sistema es potente, los investigadores son claros sobre sus límites actuales. Está diseñado para trabajar con tipos específicos de datos y modelos, y depende de que los modelos sean exportados en un formato estándar. El equipo señaló que, si bien los modelos de aprendizaje en línea eran excelentes para adaptarse al cambio, requerían una configuración más cuidadosa que los modelos fuera de línea. También señalaron que el sistema es una herramienta para la evaluación y el diseño, no un reemplazo para el hardware físico real. El objetivo es ayudar a los ingenieros a tomar mejores decisiones antes de construir cualquier cosa, reduciendo el riesgo de falla y ahorrando tiempo y dinero.

El trabajo representa un paso significativo hacia adelante en cómo los ingenieros integran la inteligencia artificial en el proceso de diseño. Al eliminar la necesidad de conexiones personalizadas y ad hoc entre las herramientas de aprendizaje y el software de simulación, el marco de trabajo facilita la experimentación con nuevas ideas y la comparación de diferentes enfoques. Convierte el aprendizaje automático de un complemento especializado y difícil de usar en una parte estándar y confiable del kit de herramientas de ingeniería. A medida que los sistemas se vuelven más complejos y basados en datos, herramientas como esta serán esenciales para asegurar que los diseños del mañana sean robustos, eficientes y estén listos para el mundo real. Los investigadores han puesto su código y sus datos a disposición de los demás, invitando a la comunidad en general a construir sobre su trabajo y explorar nuevas posibilidades en el prototipado virtual.