Aunque las IA ya son utilizadas en el diseño de ingeniería, estas son limitadas, pues se centran en imitar estructuras previas, por lo cual no hay innovación
NotiPress.- Los modelos generativos profundos (DGM, por sus siglas en inglés) tienen capacidades de imitación impresionantes. ChatGPT y otras IA pueden producir, poemas, crear imágenes, vídeos e incluso canciones, mediante el análisis de millones de trabajos anteriores. Sin embargo, esta capacidad de emulación puede ser ineficiente en aplicaciones como el diseño industrial.
Un estudio del MIT, argumenta los modelos DMG, al estar basados en la similitud estadística, son poco fiables al ser aplicados en el diseño industrial, pues tienen fallas respecto al cálculo de rendimiento y requisitos de energía. Sin embargo, los investigadores hallaron que al diseñar específicamente objetos centrados en ingeniería, los modelos son capaces de producir diseños innovadores con mayor capacidad de rendimiento.
Akash Srivastava y Dan Gutreund, coautores de la investigación “Beyond Statistical Similarity, detectaron, los DGM aplicados en diseño de ingeniería se limitan a imitar diseños anteriores. Esto, a su vez, implica que no hay mejoras en el rendimiento, lo cual es un aspecto base en dicha ciencia. De este modo, el estudio se centró en determinar cuáles son los ajustes necesarios para que un modelo generativo sea capaz de crear diseños innovadores de ingeniería.
Respecto a esto, los ingenieros solicitaron a un modelo DMG diseñar cuadros de bicicletas, los cuales fueron analizados por el equipo de ingenieros. Tras dicha evaluación de los bosquejos generados por la IA, se consideró, esta no toma en cuenta requisitos de diseño específico.no toma en cuenta requisitos de diseño específico. Es decir, al basarse en diseños previos, el modelo generativo podría considerar que dos cuadros de dimensiones similares tienen rendimientos equivalentes. Sin embargo, una pequeña desconexión del cuadro podría significar que un cuadro sea más resistente a otro visualmente parecido.
En vista de demostrar esto, los investigadores entrenaron una DGM, mediante una red generativa adversaria conversacional, llamada vainilla, la cual se basa en producir contenido estadísticamente similar. En esta se incluyeron miles de datos de cuadros convencionales, fabricados comercialmente y de diseños producidos por aficionados. Una vez entrenado el modelo generativo, se le pidió que diseñara nuevos cuadros. El resultado confirmó la hipótesis, pues ningún cuadro mostró mejora en el rendimiento, incluso algunos resultaron más pesados y menos sólidos estructuralmente.
Posteriormente, a dos modelos DGM diseñados para tareas de ingeniería se les solicitó la misma tarea. Estos realizaron diseños, más ligeros y resistentes, pero también esbozaron cuadros físicamente inválidos, con componentes que no encajaban o se superponían de formas físicamente irrealizables. Cabe mencionar, los modelos fueron creados por los autores de la investigación, previo a la misma. Ambos están enfocados en el diseño aerodinámico de alto rendimiento, por lo cual priorizan el rendimiento sobre la similitud estadística.
Como última prueba, la dupla de ingenieros pidió al modelo DGM Regenwette, concretar la asignación de crear cuadros de bicicleta. Este, al priorizar las restricciones de diseño y haber sido programado para dar prioridad a diseños físicamente viables, produjo cuadros de alto rendimiento y viables para manufacturar. De este modo, la investigación concluyó, las IA tienen la capacidad de generar diseños innovadores de ingeniería, cuando son entrenados para ir más allá de la similitud estadística.
Por ello, los científicos del MIT apuntan a la necesidad de construir modelos generativos centrados en otras prioridades, como el rendimiento, limitaciones de diseño y novedad. Pues esto brindaría beneficios para numerosos campos de la ingeniería, como diseño molecular, infraestructura civil, entre otros.
