Quando Inteligência Artificial Encontra Metal de Foguete

Vamos jogar um jogo rápido.

Imagina que tens uma biblioteca gigante com mais de 100 milhões de livros. Precisas encontrar exatamente seis livros que contêm o segredo para imprimir metal super resistente para motores de foguete. A pegada? Não podes simplesmente folhear. Cada "livro" custa-te centenas de euros, demora dias para ler, e alguns literalmente pegam fogo antes de acabares.

Divertido? Pois é.

Mas é basicamente isto que investigadores da Washington State University acabaram de resolver — só que eles tinham inteligência artificial na equipa. E honestamente, a história deles é muito mais fixe do que qualquer puzzle que eu pudesse inventar.

O Metal de Foguete Que É Que É Uma Prima Dona

Deixa-me apresentar-te o GRCop-42. Parece um robot de um filme de ficção científica, certo? Na verdade é uma liga metálica feita de cobre, crómio e nióbio — e a NASA basicamente criou-a porque metais normais não aguentavam o calor. (Piada absolutamente intencional.)

Este material é usado em motores de foguete, especificamente nas câmaras de combustão onde o combustível arde a temperaturas que fazem o teu forno parecer um fridge. O GRCop-42 aguenta calor extremo E move esse calor de forma eficiente, o que evita que os foguetes se derretam a si próprios. Trabalho bastante importante.

O problema? Imprimir este metal com impressoras 3D é difícil. Tipo, mesmo difícil. Normalmente requer lasers potentes e muita energia — o tipo de equipamento que só grandes empresas aeroespaciais e grandes laboratórios de investigação podem pagar.

Noventa por cento das impressoras 3D comerciais? Não conseguem fazer isto. Simplesmente não são potentes o suficiente.

Até agora.

A Abordagem "Experimenta Tudo" Não Iria Funcionar

Antes de chegarmos à magia da inteligência artificial, vamos falar de porque é que isto era tão irritante.

Para imprimir metal em 3D, precisas de acertar nas configurações perfeitas — potência do laser, velocidade, temperatura, e montes de outros fatores. Se acertares mal num, ou não acontece nada, ou (mais dramaticamente) toda a tua impressão derrete num charco.

A abordagem tradicional? Experimentar um monte de combinações até algo funcionar.

Parece razoável até perceberes que existiam mais de 100 milhões de combinações possíveis para testar. Cada tentativa custa centenas de euros, demora tempo a processar, e requer alguém para analisar cuidadosamente os resultados. Se tentasses uma combinação por dia, precisarias de 274 mil anos. Não é ideal.

"Às vezes imprimiam uma certa configuração, e o produto simplesmente derretia," disse Azza Fadhel, uma estudante de doutoramento que trabalhou no projeto. "Não era realmente imprimível, e mesmo com tempo e dinheiro, não conseguiriam experimentar todas as 100 milhões de opções."

Ui. É como tentar encontrar um grão de areia específico numa praia, apanhando um a um.

Entra a IA: O Pesquisador Inteligente

Aqui é onde a nossa equipa de investigação foi esperta. Em vez de andar àsapalpadelas no escuro, construíram um sistema de inteligência artificial que aprendia com cada experiência — mesmo as que falhavam.

Pensa assim: imaginas que estás a tentar encontrar a receita perfeita, mas em vez de seguir cada passo cegamente, a IA observa o que acontece quando ajustas cada ingrediente. Começa a aprender quais as combinações que tornam as coisas melhores e quais as tornam piores.

A equipa começou com apenas 37 configurações que já tinham falhado. Não é propriamente uma mina de dados, mas foi suficiente para a IA começar a fazer suposições educadas.

A partir daí, a IA sugeria pequenos grupos de novas configurações para experimentar. Aqui está a parte inteligente: equilibrou duas coisas. Às vezes escolhia configurações que pareciam mais prováveis de funcionar, baseando-se no que tinha aprendido. Outras vezes, deliberadamente escolhia configurações sobre as quais não tinha a certeza — porque essas experiências de "chute no escuro" podiam ensinar-lhe algo novo e tornar todo o modelo mais inteligente.

"Eles davam-me os resultados de volta, e eu gostava de todos — mesmo que falhassem — porque cada resultado melhorava o nosso modelo de IA," disse Fadhel.

É uma maneira bonita de pensar sobre o fracasso, honestamente.

O Grande Final: Seis Vencedores

Depois de apenas 40 experiências ao longo de três meses, a IA encontrou seis configurações com sucesso em diferentes níveis de potência de laser. Uma delas foi imprimir GRCop-42 usando apenas 500 watts de potência — uma primeira para esta liga.

Seis sucessos em 40 tentativas pode não parecer nada de outro mundo. Mas lembra-te: estávamos a procurar entre 100 milhões de possibilidades onde configurações bem-sucedidas são extremamente raras. É como encontrar seis agulhas num palheiro do tamanho de um país pequeno, e fazer isso quase sem tocar no feno.

E aqui está a parte mesmo gira: estas configurações bem-sucedidas eram em níveis de potência mais baixos. Isso significa que são compatíveis com aquelas impressoras 3D comerciais que antes não conseguiam lidar com a liga. Os 90% que não conseguiam imprimi-la? Agora talvez consigam.

Porque É Que Isto Importa Para Além dos Foguetes

Olha, sou um maluco do espaço, então imprimir peças de foguetes já é bastante emocionante para mim. Mas os investigadores não vão ficar por aqui.

Esta abordagem de inteligência artificial podia ajudar com todo o tipo de problemas complexos onde existem milhões de possibilidades para testar — como a descoberta de medicamentos, onde cientistas procuram as combinações moleculares certas para tratar doenças.

A mesma lógica aplica-se: em vez de forçar o caminho através de cada opção, usar IA para pesquisar de forma mais inteligente. Não se trata de substituir a criatividade humana; trata-se de dar aos investigadores uma bússola muito melhor quando estão a explorar paisagens enormes e confusas.

"Noventa por cento das impressoras comerciais não conseguem imprimir esta liga metálica, então dado que conseguimos encontrar estes parâmetros de processo viáveis, estamos essencialmente a democratizar a impressão desta liga," disse Jana Doppa, que liderou a investigação.

Essa palavra "democratizar" está a carregar muito peso aqui. Quando só grandes organizações com equipamento de milhões podem fazer alguma coisa, a inovação abranda. Quando laboratórios mais pequenos, universidades e startups conseguem aceder aos mesmos materiais? De repente, tens muito mais cérebros a trabalhar no problema.

A Minha Opinião

Adoro esta história porque mostra a IA no seu melhor: não como uma substituição mágica para o esforço humano, mas como uma ferramenta poderosa que faz o esforço humano realmente contar.

Os investigadores não ficaram apenas a "deixar a IA fazer". Combinaram a sua experiência no domínio com a capacidade da IA para pesquisar espaços vastos de forma eficiente. Compreenderam que mesmo experiências falhadas eram valiosas. Souberam quais perguntas fazer.

Esse é o futuro da IA na ciência, penso eu — não robots a tomar conta dos laboratórios, mas parcerias inteligentes onde as máquinas lidam com os pesadelos combinatoriais enquanto os humanos focam no trabalho criativo e interpretativo que realmente requer um cérebro.

Agora só quero saber: qual é o próximo problema de 100 milhões de opções à espera de ser resolvido?

Fonte: ScienceDaily