Há problemas científicos que parecem ter sido criados especificamente para testar a paciência humana. Impressoras, por exemplo. Quem nunca foi vítima de uma impressora de TPM porque ela viu que você estava com pressa e a deadline de entregar o trabalho expirou e ela manda um DANE-SE, MEU PARÇA, e não imprimiu? Em outra situação, você tem uma liga metálica excepcionalmente resistente ao calor, desenvolvida para aplicações aeroespaciais, sabe que ela pode ser impressa em 3D, mas existe um pequeno detalhe: quase nenhuma impressora comercial consegue fazê-lo adequadamente impressoras são sempre impressoras!). Comofas?

Bem, você poderia testar uma combinação de potência do laser, velocidade de impressão e outros parâmetros até encontrar uma configuração que funcione. Só há um inconveniente: existem mais de 100 milhões de combinações possíveis. Nesse ponto, a expressão “vamos tentar algumas opções” começa a adquirir um significado quase cômico.

A liga em questão é a GRCop-42, desenvolvida pela NASA a partir de cobre, cromo e nióbio. Sua grande virtude é combinar elevada condutividade térmica com resistência mecânica em temperaturas extremas, justamente o tipo de comportamento que interessa quando você está construindo componentes para enfrentar o inferno controlado de um motor de foguete.

Esta liga é utilizada, entre outras aplicações, em câmaras de combustão de motores de foguete, onde a temperatura não é exatamente aquela recomendada pelos fabricantes de eletrodomésticos. O problema é que imprimir a GRCop-42 por manufatura aditiva normalmente exige lasers de alta potência, equipamentos caros e condições que estão longe de ser encontradas em uma impressora comercial qualquer.

Azza Fadhel, é doutoranda em Ciência da Computação na Washington State University e pesquisa métodos de IA capazes de acelerar descobertas científicas quando os experimentos são caros ou demorados. Seu trabalho envolve justamente modelagem substituta e desenho experimental adaptativo, áreas nas quais a máquina tenta aprender com poucos experimentos e decidir inteligentemente qual deve ser o próximo.

Por trás de um estagiário de luxo ralando muito está ele: o PhDeus. No caso, é o dr. Janardhan Rao “Jana” Doppa, professor de Ciência da Computação na Washington State University, onde ocupa as posições de Huie-Rogers Endowed Chair Professor of Computer Science e Berry Distinguished Professor in Engineering. Doppa trabalha com Inteligência Artificial, Aprendizado de Máquina e aplicações de IA em problemas científicos e de engenharia, além de ser papagaio de pirata do trabalho dos seus escraviários.

Voltando ao problema, não é uma questão de simplesmente descobrir “a configuração certa”. Era encontrá-la em um oceano de possibilidades onde quase tudo dava errado. Os pesquisadores já tinham à disposição dados de 37 configurações que haviam fracassado em experimentos anteriores. Em vez de continuar no velho método científico de experimentar uma combinação, observar o desastre e então experimentar outra, eles alimentaram esses resultados em um sistema de IA capaz de estimar quais configurações ainda não testadas tinham maior probabilidade de produzir uma impressão bem-sucedida.

A estratégia é interessante porque a IA não simplesmente escolhia aquilo que parecia mais promissor. Parte dos experimentos era direcionada para regiões do espaço de possibilidades consideradas mais favoráveis, enquanto outra parte explorava regiões menos conhecidas.

Em outras palavras, o sistema precisava equilibrar duas coisas que humanos também fazem, embora geralmente com mais café: apostar no que parece funcionar e investigar aquilo que ainda não compreendemos bem. É uma espécie de versão computacional da velha prudência científica, só que aplicada a um problema em que cada tentativa pode consumir material caro, equipamento especializado e dias de análise.

E aqui aparece a parte que transforma a história de interessante em quase ofensivamente eficiente. Em três meses, o método encontrou seis configurações capazes de produzir resultados bem-sucedidos, usando apenas 40 experimentos. Uma delas funcionou com apenas 500 watts de potência do laser. Isso é particularmente importante porque cerca de 90% das impressoras comerciais não conseguem trabalhar com a GRCop-42 nas condições tradicionalmente empregadas. Reduzir a potência necessária significa não apenas gastar menos energia, mas também diminuir o desgaste do equipamento e reduzir os custos envolvidos no processamento e na análise das peças.

A consequência potencial vai além de fabricar componentes de foguetes mais barato. Se uma liga projetada para ambientes aeroespaciais extremos puder ser impressa em equipamentos muito mais comuns, universidades, pequenos laboratórios e empresas que não possuem sistemas industriais de altíssima potência passam a ter acesso a ela. E a mesma lógica pode ser aplicada a outras ligas metálicas e outros processos de manufatura aditiva.

Mais interessante ainda, os pesquisadores enxergam aplicações em problemas completamente diferentes, como descoberta de medicamentos, nos quais o número de possibilidades é gigantesco e cada experimento custa tempo, dinheiro ou material.

O que a IA fez aqui, portanto, não foi substituir o cientista. Ela tornou possível perguntar à Natureza muito mais coisas sem precisar pagar por todas as respostas. Em vez de caminhar metodicamente por um corredor com 100 milhões de portas, abrindo uma por uma até encontrar aquela que não leva a uma parede, os pesquisadores construíram um sistema capaz de escolher quais portas valia a pena abrir.

E, para nossa satisfação, algumas delas davam para uma sala onde havia uma impressora funcionando, uma liga de foguete perfeitamente fabricável e uma conta de energia um pouco menos assustadora.

A pesquisa foi publicada no periódico Proceedings of the AAAI Conference on Artificial Intelligence.