Nel mondo della progettazione di macchine complesse, dai minuscoli computer all'interno di un termostato intelligente ai massicci sistemi di controllo di una moderna rete elettrica, gli ingegneri affrontano un problema persistente: come prevedere il comportamento di un sistema prima che venga costruito. I metodi tradizionali si affidano a formule matematiche che descrivono ogni legge fisica in gioco, ma queste formule spesso falliscono quando i sistemi diventano troppo disordinati, troppo vecchi o troppo influenzati da abitudini umane imprevedibili. Per colmare questo divario, i progettisti si sono rivolti a un tipo diverso di strumento: l'apprendimento automatico (machine learning). Questi sono programmi informatici che apprendono modelli dai dati piuttosto che seguire regole rigide. Possono indovinare quanta energia consumerà una casa in base al meteo, o prevedere quando un sensore potrebbe guastarsi. Tuttavia, inserire questi programmi di apprendimento nei software di simulazione utilizzati dagli ingegneri per progettare i loro sistemi è stato un processo goffo. Di solito, richiede la costruzione di ponti personalizzati tra diversi strumenti software, un processo lento, incline agli errori e che rende difficile confrontare equamente diversi metodi di apprendimento.

Un team di ricercatori del Politecnico di Torino, in Italia, ha introdotto un nuovo modo per risolvere questo problema, chiamato SAMpLE. Pensatelo come un adattatore universale che permette a qualsiasi modello di machine learning di collegarsi direttamente all'ambiente di simulazione, proprio come un componente elettrico standard. I ricercatori hanno costruito un framework che tratta questi modelli di apprendimento come parti native del sistema, consentendo loro di funzionare fluidamente insieme al resto del design senza la necessità di connessioni speciali e una tantum. Questo approccio permette agli ingegneri di testare quanto bene un modello di apprendimento funzioni in un ambiente virtuale, vedendo se può adattarsi alle condizioni mutevoli in tempo reale o se si comporta meglio se addestrato in precedenza. Il team ha dimostrato che questo metodo funziona in modo affidabile, producendo risultati che corrispondono quasi esattamente ai programmi di apprendimento originali, pur consentendo di testare affiancati diversi tipi di algoritmi di apprendimento sotto le stesse condizioni.

Il cuore del lavoro risiede nel modo in cui i ricercatori hanno organizzato la simulazione. Hanno utilizzato un tipo specifico di logica digitale chiamato Timed Dataflow, che è un modo per organizzare i compiti informatici in modo che avvengano in un ordine stretto e prevedibile, elaborando i dati in piccoli segmenti regolari. Questa struttura si adatta perfettamente al funzionamento del machine learning: entrambi prendono un insieme di input, li elaborano e producono un output in un momento specifico. Riconoscendo questa naturale affinità, il team ha creato un sistema in cui un modello di apprendimento non ha bisogno di essere tradotto o avvolto in strati software aggiuntivi. Inveve, diventa un blocco standard della simulazione, ricevendo dati, effettuando una previsione e trasmettendo il risultato, il tutto all'interno dello stesso ciclo di clock del resto del sistema.

Per far sì che ciò funzioni, i ricercatori hanno progettato un framework che supporta due distinti modi di utilizzare questi modelli di apprendimento. Il primo è un approccio offline, in cui un modello viene addestrato separatamente utilizzando computer potenti e poi esportato in un formato standard che la simulazione può leggere. Ciò consente agli ingenzieri di utilizzare modelli costruiti con strumenti esterni popolari senza doverli riscrivere da zero. Il secondo è un approccio online, in cui il modello apprende direttamente all'interno della simulazione mentre questa è in esecuzione. Questo è utile per i sistemi che devono adattarsi a nuove informazioni man mano che arrivano, come una rete elettrica che deve adeguarsi a improvvisi cambiamenti meteorologici o di consumo. Il framework gestisce entrambi i metodi in modo fluido, assicurando che, sia che un modello sia stato addestrato all'esterno o all'interno della simulazione, si comporti in modo coerente e possa essere sostituito o rimosso senza interrompere il resto del design.

Il team ha testato il loro sistema utilizzando dati reali provenienti da due diverse fonti: una che tracciava il consumo elettrico in un gruppo di case e un'altra che monitorava la domanda di energia di un'intera città. Hanno eseguito simulazioni utilizzando vari tipi di modelli di apprendimento, inclusi semplici predittori lineari e sistemi più complessi basati su alberi decisionali. I risultati hanno mostrato che la simulazione può riprodurre le previsioni dei programmi di apprendimento originali con una precisione sorprendente. Per i dati della città, che seguivano un pattern regolare e prevedibile, i modelli sono stati quasi perfetti, corrispondendo ai risultati originali con quasi nessuna differenza. Per i dati delle case, che erano molto più rumorosi e difficili da prevedere, il sistema ha comunque funzionato bene, sebbene i modelli abbiano faticato di più a causa dell'imprevedibilità. Fondamentalmente, i ricercatori hanno scoperto che i modelli di apprendimento online, che si adattavano durante l'esecuzione, erano significativamente migliori nel gestire i dati disordinati delle case rispetto ai modelli statici addestrati in precedenza.

Uno dei risultati più importanti è stata la capacità di confrontare equamente diversi metodi di apprendimento. Poiché il framework tratta ogni modello come un componente standard, gli ingegneri possono passare da un tipo di algoritmo di apprendimento a un altro semplicemente cambiando un'impostazione in un file di configurazione. Non devono riscrivere codice o ricostruire la simulazione. Ciò consente un confronto diretto di come diversi algoritmi si comportano sotto le stesse identiche condizioni, utilizzando esattamente gli stessi dati. Il team ha misurato quanto tempo richiedeva ogni simulazione e quanto fossero accurati i risultati delle previsioni, scoprendo che alcuni metodi erano molto più veloci di altri, mentre altri erano più accurati a seconda del tipo di dati. Questo tipo di confronto diretto era difficile da ottenere in precedenza, poiché diversi strumenti di apprendimento richiedevano spesso configurazioni differenti che rendevano impossibile un confronto equo.

I ricercatori hanno anche verificato che il sistema funziona in modo affidabile in diversi scenari. Hanno dimostrato che lo stesso codice di simulazione può essere utilizzato sia per i dati delle case che per quelli della città semplicemente scambiando i file di input, senza modificare alcuna parte del software sottostante. Questa portabilità suggerisce che il framework può essere applicato a molti diversi tipi di problemi ingegneristici, dalla gestione delle reti energetiche alla progettazione di veicoli autonomi. Il sistema include anche strumenti per controllare la qualità dei dati e le prestazioni dei modelli, fornendo report chiari su quanto bene le previsioni corrispondano alla realtà. Questa trasparenza aiuta gli ingegneri a fidarsi dei risultati e a capire dove un modello potrebbe fallire.

Sebbene il sistema sia potente, i ricercatori sono chiari riguardo ai suoi attuali limiti. È progettato per lavorare con tipi specifici di dati e modelli, e si basa sul fatto che i modelli siano esportati in un formato standard. Il team ha notato che, sebbene i modelli di apprendimento online fossero eccellenti per adattarsi al cambiamento, richiedevano una configurazione più attenta rispetto ai modelli offline. Hanno inoltre sottolineato che il sistema è uno strumento di valutazione e progettazione, non un sostituto dell'effettivo hardware fisico. L'obiettivo è aiutare gli ingegneri a prendere decisioni migliori prima di costruire qualsiasi cosa, riducendo il rischio di fallimento e risparmiando tempo e denaro.

Questo lavoro rappresenta un passo avanti significativo nel modo in cui gli ingegneri integrano l'intelligenza artificiale nel processo di progettazione. Eliminando la necessità di connessioni personalizzate e ad hoc tra gli strumenti di apprendimento e i software di simulazione, il framework rende più facile sperimentare nuove idee e confrontare diversi approcci. Trasforma il machine learning da un modulo specializzato e difficile da usare in una parte standard e affidabile del toolkit ingegneristico. Man mano che i sistemi diventano più complessi e guidati dai dati, strumenti come questo diventeranno essenziali per garantire che le progettazioni di domani siano robuste, efficienti e pronte per il mondo reale. I ricercatori hanno reso il loro codice e i loro dati disponibili ad altri, invitando la comunità più ampia a costruire sul loro lavoro ed esplorare nuove possibilità nella prototipazione virtuale.