Cognitive evolution enables de novo design of untethered millimeter-scale robots
Este artigo apresenta o EvoAgent, um agente de modelo de linguagem de grande escala que emprega evolução cognitiva para superar restrições de projeto complexas, criando com sucesso um robô sem fios de 10 mm de alto desempenho com empuxo e robustez operacional significativamente melhorados em comparação com as linhas de base tradicionais de algoritmos genéticos.
Artigo original sob licença CC BY 4.0 (https://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
Máquinas minúsculas que podem se mover por conta própria sem estarem ligadas a uma fonte de energia prometem explorar lugares pequenos demais ou perigosos para os seres humanos. Imagine um dispositivo do tamanho de um grão de arroz que pudesse rastejar por um cano rachado para encontrar um vazamento ou navegar dentro do corpo humano para entregar medicamentos. O desafio, entretanto, é que, nesta escala minúscula, cada parte da máquina deve caber em um espaço não maior que alguns milímetros. A bateria, o motor e as pernas todos têm que compartilhar este volume apertado, e mudar uma parte frequentemente quebra outra. Se o motor for feito ligeiramente maior para produzir mais potência, ele pode não deixar espaço para a bateria, ou pode deslocar o equilíbrio da máquina de modo que ela não consiga caminhar. Projetar esses robôs geralmente exige um difícil ato de equilíbrio onde engenheiros tentam adivinhar a combinação certa de partes, muitas vezes dependendo de tentativa e erro que pode levar muito tempo e muitos intentos fracassados.
Uma equipe de pesquisadores da Universidade de Beihang e outras instituições desenvolveu uma nova maneira de resolver esse quebra-cabeça usando um tipo de inteligência artificial que pensa como um engenheiro. Eles criaram um sistema que chamam de EvoAgent, que atua como um designer digital que aprende com seus próprios erros e sucessos. Em vez de apenas tentar aleatoriamente diferentes formas e esperar que uma funcione, este sistema usa um modelo de linguagem de grande escala para entender a física por trás do design. Antes mesmo de o computador rodar uma simulação para ver se um robô consegue se mover, o EvoAgent propõe um novo design e explica as razões físicas para suas escolhas. Ele considera por que um design anterior falhou, como um fio sendo muito espesso ou uma lacuna sendo pequena demais, e usa esse conhecimento para propor uma versão melhor. Este processo cria uma "árvore genealógica" de designs onde as lições aprendidas de uma geração são passadas para a próxima, permitindo que o sistema evolua um robô funcional muito mais rápido do que os métodos tradicionais.
Os pesquisadores testaram essa abordagem tentando projetar duas partes críticas de um robô de escala milimétrica: o motor eletromagnético que fornece a potência, e a estrutura da perna que converte essa potência em movimento. Eles compararam seu novo método impulsionado por IA contra técnicas antigas e padrão que dependem de variações aleatórias, semelhantes ao modo como a seleção natural funciona na biologia. Os resultados mostraram que o método de IA foi muito mais eficiente. Ele encontrou um design de motor que produziu mais do que o dobro da força de empuxo do melhor design encontrado pelos métodos antigos, utilizando a mesma quantidade de espaço. Quando os pesquisadores construíram o robô baseado no design da IA, ele provou ser notavelmente capaz. A máquina final, que tem apenas 10 milímetros de comprimento e pesa apenas um grama, conseguiu se mover a uma velocidade de 6,5 comprimentos de corpo por segundo. Ela também foi muito mais confiável, movendo-se com sucesso sob trinta combinações diferentes de corrente elétrica e frequência de vibração, enquanto o robô projetado pelo método antigo funcionava apenas sob dez condições.
O que torna esta conquista significativa não é apenas a velocidade do robô, mas como o design foi alcançado. O sistema de IA conseguiu navegar pela complexa teia de restrições que costumam encurralar designers humanos. Ele aprendeu que certas mudanças, como aumentar o número de voltas de fio no motor, aumentariam a potência, mas também adicionariam peso, e descobriu como equilibrar essas trocas sem precisar testar todas as possibilidades. O sistema registrou suas descobertas, transformando falhas específicas em regras gerais que poderia aplicar a designs futuros. Por exemplo, aprendeu a evitar certas formas que faziam o robô perder o contato com o solo. Essa capacidade de aprender com o feedback físico e aplicar essas lições a novos problemas sugere uma nova maneira de construir máquinas. Os pesquisadores construíram o robô, testaram-no e confirmaram que o desempenho previsto pelas simulações de computador coincidia com os resultados do mundo real. O robô podia não apenas mover-se para frente, mas também virar bruscamente e carregar uma carga mais de cinco vezes o seu próprio peso.
Este trabalho demonstra que a inteligência artificial pode fazer mais do que apenas otimizar números; ela pode entender o mundo físico o suficiente para inventar novas máquinas. Ao tratar o processo de design como uma conversa onde o computador aprende com sua própria história, os pesquisadores foram capazes de criar um robô que opera com uma ampla margem de segurança e desempenho. A capacidade do robô de funcionar através de uma ampla gama de condições significa que é mais provável que tenha sucesso nos ambientes imprevisíveis onde tais máquinas são necessárias. Embora o estudo tenha focado em um tipo específico de robô, o método usado para projetá-lo poderia ser aplicado a outros sistemas complexos onde as partes devem trabalhar juntas em espaços apertados. O sucesso deste projeto sugere que o futuro da robótica pode não ser apenas sobre construir máquinas menores, mas sobre ensinar computadores a pensar como os engenheiros que as constroem, aprendendo com cada etapa do processo para criar designs que sejam tanto inovadores quanto práticos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.