🤖 AI

ASIA: an Autonomous System Identification Agent

O artigo apresenta o ASIA, um framework de agente autônomo que aproveita modelos de linguagem de grande escala para automatizar o processo de identificação de sistemas de ponta a ponta — desde a seleção do modelo até o treinamento e avaliação — com base exclusivamente em descrições de problemas em inglês simples, reduzindo assim a dependência de tentativas e erros de especialistas, ao mesmo tempo que destaca desafios em transparência e reprodutibilidade.

Autores originais: Dario Piga, Marco Forgione

Publicado 2026-05-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Dario Piga, Marco Forgione

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a dirigir um carro, mas não conhece as regras de trânsito, as peculiaridades do motor ou a melhor maneira de virar o volante. No passado, um especialista humano teria que passar anos adivinhando qual método de ensino funciona melhor, ajustando as lições e tentando repetidamente até que o robô finalmente aprendesse. Esse processo é lento, caro e depende fortemente da intuição do especialista.

Este artigo apresenta o ASIA (Agente de Identificação de Sistemas Autônomos), uma nova ferramenta que atua como um aprendiz superinteligente e incansável, capaz de fazer essa adivinhação e ajuste sozinho.

Veja como o ASIA funciona, dividido em conceitos simples:

1. O Problema: O Labirinto de "Tentativa e Erro"

Pense em construir um modelo de um sistema do mundo real (como um tanque de água ou um drone) como tentar encontrar a receita perfeita para um bolo. Você precisa decidir:

Os Ingredientes: Devo usar farinha, açúcar ou talvez uma especiaria secreta? (Em termos técnicos: escolher o tipo de modelo, como uma rede neural ou uma equação física).
As Configurações do Forno: Qual temperatura e por quanto tempo? (Em termos técnicos: hiperparâmetros como velocidade de aprendizado ou tamanho dos dados).
O Método de Mistura: Como combiná-los? (Em termos técnicos: o algoritmo de treinamento).

Normalmente, um chef humano precisa provar o bolo, perceber que está muito seco, adicionar mais ovos, assar por mais tempo e provar novamente. Isso leva uma eternidade.

2. A Solução: O ASIA como o "Chef Robô"

O ASIA é um programa de computador alimentado por um Modelo de Linguagem Grande (pense nele como uma IA muito avançada capaz de escrever e entender código). Em vez de um chef humano, você dá ao ASIA uma instrução simples em inglês comum, como: "Aqui estão dados de um sistema de tanque de água; por favor, descubra como ele funciona."

O ASIA então entra em um ciclo de autoaperfeiçoamento:

Hipótese: Ele adivinha uma nova "receita" (uma nova estrutura de modelo).
Assando: Ele escreve o código para testar essa receita.
Provando: Ele executa o código e vê quão bem o modelo prevê o futuro.
Aprendendo: Se o bolo estiver ruim, ele lê os resultados, pensa: "Talvez eu devesse usar um tipo diferente de farinha", e tenta novamente.

Ele faz isso centenas de vezes sem nunca precisar que um humano toque no teclado, até encontrar a melhor receita possível.

3. O Teste de Estrada: Dois Desafios do Mundo Real

Os autores testaram o ASIA em duas "cozinhas" muito diferentes para ver se ele conseguia preparar uma boa refeição:

Os Tanques de Água (A Cozinha Simples): Imagine dois baldes de água conectados por um tubo. O objetivo é prever o nível de água no balde inferior com base na quantidade de água despejada no superior.
- Resultado: O ASIA começou com um modelo básico e simples. Após algumas tentativas, percebeu que o modelo simples não era forte o suficiente. Ele atualizou para um "cérebro" mais complexo (uma rede LSTM) e depois encontrou um tipo específico de rede (LTC) que naturalmente imita como a água drena. Acabou por igualar os melhores resultados já publicados para este problema.
O Nanodrone (A Cozinha Complexa): Imagine um drone minúsculo de quatro hélices voando ao redor. Ele possui 12 partes móveis diferentes (posição, velocidade, ângulos) todas interagindo ao mesmo tempo.
- Resultado: O ASIA começou com uma abordagem padrão. Então, teve uma ideia brilhante: em vez de tentar prever diretamente a posição do drone, decidiu prever como a velocidade muda e depois calcular a posição a partir disso (imitando como a física realmente funciona). Também descobriu como estabilizar o processo de treinamento.
- Comparação: Quando os autores compararam o ASIA a uma "busca aleatória" (onde um computador apenas escolhe configurações aleatórias como em uma loteria), o ASIA encontrou uma solução muito melhor, muito mais rápido. Ele superou a busca aleatória e até mesmo superou os melhores métodos projetados por humanos de estudos anteriores.

4. O Problema: A "Caixa Preta" e o "Fantasma na Máquina"

Embora o ASIA seja impressionante, os autores são honestos sobre suas falhas:

O "Fantasma" (Vazamento de Teste): Às vezes, mesmo que você diga à IA "não olhe para a prova final", ela pode acidentalmente aprender dicas das perguntas da prova porque leu sobre elas em seus dados de treinamento ou nos artigos de pesquisa que você forneceu. É como um aluno que memorizou o gabarito de um livro didático em vez de aprender a matemática.
A "Caixa Preta" (Falta de Transparência): O ASIA pode assar um bolo perfeito, mas pode não ser capaz de explicar por que escolheu esses ingredientes específicos. Na ciência, saber por que um modelo funciona é frequentemente tão importante quanto o próprio modelo. Como o ASIA altera seu próprio código, o caminho que percorreu para chegar lá é um pouco misterioso.
Reprodutibilidade: Se você pedir ao ASIA para realizar a mesma tarefa duas vezes, ele pode chegar a duas soluções ligeiramente diferentes, porque a IA é um pouco aleatória. É como pedir a um chef humano para preparar o mesmo prato duas vezes; ele pode usar quantidades ligeiramente diferentes de sal.

A Conclusão

O artigo conclui que o ASIA não é um substituto para especialistas humanos, mas sim um poderoso assistente.

Pense nele como um acelerador de pesquisa. Ele pode explorar rapidamente milhares de possibilidades que um humano nunca teria tempo de verificar. Ele encontra a "melhor receita" mais rápido do que qualquer outra pessoa, mas humanos ainda são necessários para entender os ingredientes, verificar os resultados e garantir que a ciência faça sentido.

Os autores veem isso como um primeiro passo em direção a um futuro onde a IA ajuda engenheiros a projetar controladores melhores, otimizar máquinas e resolver problemas complexos de engenharia, mas o "chef de cozinha" humano ainda está no comando da cozinha.

Resumo Técnico: ASIA – Um Agente Autônomo de Identificação de Sistemas

Declaração do Problema

A identificação de sistemas envolve a aprendizagem de modelos dinâmicos a partir de dados de entrada-saída, um processo que exige uma sequência complexa de escolhas de projeto interconectadas. Os praticantes devem selecionar uma classe de modelo (variando de espaços de estado lineares a redes neurais não lineares), definir hiperparâmetros arquiteturais (por exemplo, profundidade da rede, funções de kernel, tipos de células recorrentes) e ajustar hiperparâmetros de otimização (por exemplo, taxas de aprendizado, regularização, tamanhos de lote). Atualmente, essas decisões dependem fortemente de tentativa e erro empírico e de expertise de domínio. Embora a automação parcial exista para famílias de modelos fixas (por exemplo, via otimização bayesiana), a seleção da classe de modelo e o projeto do próprio algoritmo de treinamento permanecem amplamente manuais, demorados e dependentes da intuição de especialistas.

Metodologia: O Framework ASIA

Os autores propõem o ASIA (Agente Autônomo de Identificação de Sistemas), um framework que delega a busca iterativa por configurações ótimas de identificação a um Modelo de Linguagem de Grande Escala (LLM) atuando como um agente de codificação autônomo. Em vez de introduzir um novo algoritmo de identificação, o ASIA automatiza o processo de descoberta.

Componentes Principais

O framework opera em um loop iterativo com intervenção humana mínima, exigindo apenas uma descrição em linguagem simples do problema de identificação. Consiste em quatro componentes principais:

Descrição do Problema: Um documento detalhando a tarefa, os dados disponíveis, conhecimento físico prévio, abordagens candidatas e o protocolo de busca.
Pipeline de Avaliação Imutável: Um sistema somente leitura responsável pelo pré-processamento de dados, divisão para validação cruzada e cálculo da métrica de avaliação ( $V(\theta)$ ). Isso garante que todas as soluções candidatas sejam avaliadas sob condições idênticas.
Componentes Modificáveis ( $\theta$ ): Um conjunto de arquivos de código representando arquiteturas de modelo, funções de perda e estratégias de treinamento que o agente pode editar livremente.
Loop de Experimentação Iterativa:
- O agente analisa o histórico de tentativas anteriores ( $T$ ), incluindo modificações de código e métricas de desempenho.
- Formula uma nova hipótese e edita o código relevante para implementar uma nova configuração $\theta_k$ .
- O agente executa o treinamento e a avaliação, observa a nova métrica e atualiza seu estado interno.
- Este ciclo continua até que um orçamento computacional seja esgotado ou o desempenho sature.

O framework é instanciado usando Claude Code alimentado pelo LLM Sonnet 4.6. Suporta a injeção de conhecimento de domínio (por exemplo, leis físicas, referências bibliográficas) e estratégias candidatas, mas não os exige.

Estudos de Caso Empíricos

Os autores avaliaram o ASIA em dois benchmarks distintos, comparando sua eficiência de busca e a qualidade final do modelo contra baselines.

1. Sistema de Dois Tanques em Cascata

Tarefa: Identificar um sistema não linear de dois tanques de água com níveis do tanque superior não medidos e não linearidade de saturação rígida.
Protocolo: Validação cruzada de 2 dobras em uma trajetória de treinamento de 1024 amostras; avaliação via RMSE de simulação em malha aberta.
Processo de Busca: Começando com um RNN padrão (4 unidades ocultas, RMSE 0,681), o agente:
- Iteração 3: Mudou para um LSTM de 2 camadas (128 unidades) com retropropagação truncada, reduzindo o RMSE para 0,430.
- Iteração 5: Introduziu um viés indutivo substituindo o LSTM por uma rede de Constante de Tempo Líquida (LTC/CfC) (64 estados ocultos). Esta arquitetura, estruturalmente predisposta a sistemas dissipativos, alcançou um RMSE de validação de 0,250.
Resultado: O modelo ensemble final alcançou um RMSE de teste de 0,298, performando em par com os melhores resultados relatados na literatura do benchmark.

2. Dinâmica de Nanodrone

Tarefa: Identificar a dinâmica de voo de um quadrotor Crazyflie 2.1 (sistema MIMO de 12 estados) a partir de dados de voo do mundo real.
Protocolo: Validação cruzada com exclusão de uma trajetória; avaliação via Erro Absoluto Médio (MAE) em trajetórias de 50 passos.
Processo de Busca: Começando com um LSTM de camada única (MAE 0,707), o agente:
- Iteração 3: Introduziu uma arquitetura informada por física (KinematicsLSTM) onde a rede recorrente prevê apenas incrementos de velocidade/velocidade angular, enquanto posição e atitude são recuperados via integração cinemática explícita. Também aumentou as entradas com velocidades quadradas dos motores para aproximar o empuxo.
- Iteração 7: Implementou amostragem agendada para estabilizar o treinamento, reduzindo o MAE para 0,310.
- Iterações subsequentes refinaram a capacidade e o ritmo de treinamento, alcançando um MAE final de 0,286.
Comparação: O ASIA superou uma baseline de busca aleatória (30 iterações) tanto no desempenho final quanto na eficiência de busca, alcançando o melhor desempenho da busca aleatória em apenas três iterações. O modelo final superou o melhor método do artigo original do benchmark [9] em todos os grupos de saída (posição, velocidade, atitude, velocidade angular).

Contribuições e Alegações Principais

O artigo apresenta as seguintes contribuições técnicas e alegações:

Automação Autônoma de Pipeline: O ASIA demonstra que um agente baseado em LLM pode conduzir autonomamente todo o pipeline de identificação de sistemas, incluindo seleção de classe de modelo, projeto arquitetural e otimização de estratégia de treinamento, sem intervenção humana além do prompt inicial.
Expansão do Espaço de Hipóteses: Diferentemente dos métodos de otimização clássicos (busca em grade, otimização bayesiana) que operam sobre espaços de parâmetros fixos e de dimensão finita, o ASIA explora um espaço combinatório de classes de modelo e estratégias de treinamento. O agente propôs com sucesso soluções não triviais, como estruturas híbridas física/caixa-preta e representações inspiradas em Koopman, que não foram explicitamente pré-definidas.
Desempenho Competitivo: O framework descobriu modelos que igualam ou superam os resultados mais avançados em benchmarks estabelecidos, validando a viabilidade da IA agêntica neste domínio.

Limitações e Análise Crítica

Os autores discutem explicitamente várias limitações e riscos associados à abordagem:

Vazamento Implícito de Teste: Mesmo sem acesso direto aos rótulos de teste, o agente pode ser indiretamente influenciado por logs de desempenho de teste ou por conhecimento prévio (literatura) derivado de avaliações no conjunto de teste, potencialmente levando a overfitting ou viés implícito.
Transparência Metodológica: Embora o código gerado seja localmente interpretável, a sequência global de decisões que leva à configuração final é opaca. Isso reduz a "contribuição científica" da metodologia, pois a racionalidade para escolhas de projeto específicas emerge de um processo automatizado e iterativo, em vez de uma hipótese humana explícita.
Reprodutibilidade: Devido à natureza estocástica das saídas de LLMs, a trajetória exata de busca não pode ser perfeitamente reproduzida em execuções diferentes. No entanto, uma vez que uma configuração específica é selecionada, o treinamento desse modelo específico é reproduzível usando práticas padrão.
Viés: A busca do agente é enviesada por seus dados de treinamento e priores internos, potencialmente favorecendo arquiteturas estabelecidas em detrimento de abordagens novas e não convencionais.

Significado e Conclusão

O artigo conclui que o ASIA não deve ser visto como um substituto para a identificação de sistemas conduzida por humanos, mas como uma ferramenta complementar. Seu valor principal reside em:

Acelerar o ciclo de experimentação.
Automatizar escolhas de projeto rotineiras.
Expandir a exploração do espaço de hipóteses além da intuição humana.

Os autores enfatizam que a expertise humana permanece essencial para interpretar resultados, validar modelos, projetar prompts e injetar conhecimento prévio relevante. Este trabalho serve como um estudo empírico inicial sobre o potencial e as limitações da IA agêntica na pesquisa de engenharia, sugerindo aplicações futuras no ajuste de controladores e no desenho de experimentos.