No mundo do design de máquinas complexas, desde os minúsculos computadores dentro de um termostato inteligente até os massivos sistemas de controle de uma rede elétrica moderna, os engenheiros enfrentam um problema persistente: como prever como um sistema se comportará antes de ser construído. Os métodos tradicionais baseiam-se em fórmulas matemáticas que descrevem cada lei física em jogo, mas essas fórmulas frequentemente falham quando os sistemas se tornam muito desordenados, muito antigos ou muito influenciados por hábitos humanos imprevisíveis. Para preencher essa lacuna, os designers recorreram a um tipo diferente de ferramenta: o aprendizado de máquina (machine learning). Estes são programas de computador que aprendem padrões a partir de dados, em vez de seguir regras rígidas. Eles podem prever quanto de energia uma casa consumirá com base no clima, ou prever quando um sensor pode falar. No entanto, inserir esses programas de aprendizado no software de simulação que os engenheiros usam para projetar seus sistemas tem sido algo desajeitado. Geralmente, isso requer a construção de pontes personalizadas entre diferentes ferramentas de software, um processo que é lento, propenso a erros e que dificulta a comparação justa de diferentes métodos de aprendizado.

Uma equipe de pesquisadores do Politecnico di Torino, na Itália, introduziu uma nova maneira de resolver isso, chamada SAMpLE. Pense nisso como um adaptador universal que permite que qualquer modelo de aprendizado de máquina se conecte diretamente ao ambiente de simulação, tal como um componente elétrico padrão. Os pesquisadores construíram um framework que trata esses modelos de aprendizado como partes nativas do sistema, permitindo que eles funcionem suavemente ao lado do restante do design, sem a necessidade de conexões especiais e únicas. Essa abordagem permite que os engenheiros testem o quão bem um modelo de aprendizado funciona em um ambiente virtual, vendo se ele consegue se adaptar a mudanças de condições em tempo real ou se apresenta um desempenho melhor quando treinado previamente. A equipe demonstrou que este método funciona de forma confiável, produzindo resultados que coincidem quase exatamente com os programas de aprendizado originais, ao mesmo tempo em que permite que diferentes tipos de algoritmos de aprendizado sejam testados lado a lado sob as mesmas condições.

O cerne do trabalho reside em como os pesquisadores organizaram a simulação. Eles utilizaram um tipo específico de lógica digital chamada Fluxo de Dados Temporizado (Timed Dataflow), que é uma forma de organizar tarefas de computador para que ocorram em uma ordem estrita e previsível, processando dados em pequenos blocos regulares. Essa estrutura coincide perfeitamente com o funcionamento do aprendizado de máquina: ambos recebem um conjunto de entradas, processam-nas e produzem uma saída em um momento específico. Ao reconhecer esse ajuste natural, a equipe criou um sistema onde um modelo de aprendizado não precisa ser traduzido ou envolto em camadas extras de software. Em vez disso, ele torna-se um bloco padrão na simulação, recebendo dados, fazendo uma previsão e passando o resultado adiante, tudo dentro do mesmo ciclo de clock do restante do sistema.

Para fazer isso funcionar, os pesquisadores projetaram um framework que suporta duas formas distintas de utilizar esses modelos de aprendizado. A primeira é uma abordagem offline, onde um modelo é treinado separadamente usando computadores potentes e depois exportado para um formato padrão que a simulação possa ler. Isso permite que os engenheiros utilizem modelos construídos com ferramentas externas populares sem ter que reescrevê-los do zero. A segunda é uma abordagem online, onde o modelo aprende diretamente dentro da simulação enquanto ela é executada. Isso é útil para sistemas que precisam se adaptar a novas informações conforme elas chegam, como uma rede elétrica que deve se ajustar a mudanças repentinas no clima ou no consumo. O framework lida com ambos os métodos de forma fluida, garantindo que, quer um modelo tenha sido treinado fora ou dentro da simulação, ele se comporte de maneira consistente e possa ser substituído ou trocado sem quebrar o restante do design.

A equipe testou seu sistema utilizando dados do mundo real de duas fontes diferentes: uma que rastreava o consumo de eletricidade em um grupo de residências e outra que monitorava a demanda de energia de uma cidade inteira. Eles executaram simulações usando vários tipos de modelos de aprendizado, incluindo preditores lineares simples e sistemas baseados em árvores mais complexos. Os resultados mostraram que a simulação consegue reproduzir as previsões dos programas de aprendizado originais com uma precisão notável. Para os dados da cidade, que seguiam um padrão suave e previsível, os modelos foram quase perfeitos, coincidindo com os resultados originais com quase nenhuma diferença. Para os dados das residências, que eram muito mais ruidosos e difíceis de prever, o sistema ainda apresentou um bom desempenho, embora os modelos tenham tido mais dificuldade com a imprevisibilidade. Crucialmente, os pesquisadores descobriram que os modelos de aprendizado online, que se adaptavam conforme avançavam, eram significativamente melhores em lidar com os dados desordenados das residências do que os modelos estáticos treinados previamente.

Uma das descobertas mais importantes foi a capacidade de comparar diferentes métodos de aprendizado de forma justa. Como o framework trata cada modelo como um componente padrão, os engenheiros podem alternar de um tipo de algoritmo de aprendizado para outro simplesmente alterando uma configuração em um arquivo de configuração. Eles não precisam reescrever código ou reconstruir a simulação. Isso permite uma comparação direta de como diferentes algoritmos performam sob as exatas mesmas condições, utilizando exatamente os mesmos dados. A equipe mediu quanto tempo cada simulação levou e qual foi a precisão das previsões, descobrindo que alguns métodos eram muito mais rápidos que outros, enquanto alguns eram mais precisos dependendo do tipo de dado. Esse tipo de comparação direta era difícil de alcançar anteriormente, pois diferentes ferramentas de aprendizado frequentemente exigiam configurações distintas que tornavam a comparação justa impossível.

Os pesquisadores também verificaram que o sistema funciona de forma confiável em diferentes cenários. Eles demonstraram que o mesmo código de simulação poderia ser usado tanto para os dados das residências quanto para os dados da cidade, apenas substituindo os arquivos de entrada, sem alterar qualquer parte do software subjacente. Essa portabilidade sugere que o framework pode ser aplicado a muitos tipos diferentes de problemas de engenharia, desde a gestão de redes de energia até o design de veículos autônomos. O sistema também inclui ferramentas para verificar a qualidade dos dados e o desempenho dos modelos, fornecendo relatórios claros sobre o quão bem as previsões coincidiram com a realidade. Essa transparência ajuda os engenheiros a confiar nos resultados e a entender onde um modelo pode estar falhando.

Embora o sistema seja poderoso, os pesquisadores são claros sobre seus limites atuais. Ele é projetado para trabalhar com tipos específicos de dados e modelos, e depende que os modelos sejam exportados em um formato padrão. A equipe observou que, embora os modelos de aprendizado online fossem excelentes para se adaptar às mudanças, eles exigiam uma configuração mais cuidadosa do que os modelos offline. Eles também apontaram que o sistema é uma ferramenta de avaliação e design, não um substituto para o hardware físico real. O objetivo é ajudar os engenheiros a tomar melhores decisões antes de construírem qualquer coisa, reduzindo o risco de falha e economizando tempo e dinheiro.

O trabalho representa um passo significativo na forma como os engenheiros integram a inteligência artificial no processo de design. Ao remover a necessidade de conexões personalizadas e ad-hoc entre ferramentas de aprendizado e softwares de simulação, o framework torna mais fácil experimentar novas ideias e comparar diferentes abordagens. Ele transforma o aprendizado de máquina de um complemento especializado e difícil de usar em uma parte padrão e confiável do kit de ferramentas de engenharia. À medida que os sistemas se tornam mais complexos e orientados por dados, ferramentas como esta serão essenciais para garantir que os designs do amanhã sejam robustos, eficientes e prontos para o mundo real. Os pesquisadores disponibilizaram seu código e dados para outros, convidando a comunidade mais ampla a construir sobre o seu trabalho e explorar novas possibilidades na prototipagem virtual.