Un proceso de inteligencia artificial desarrollado por investigadores de CSAIL permite diseños hidrodinámicos únicos para vehículos del tamaño de una tabla de bodyboard que se deslizan bajo el agua y podrían ayudar a los científicos a recopilar datos marinos.
Los científicos marinos se han maravillado durante mucho tiempo de la eficiencia con la que animales como peces y focas nadan a pesar de sus diferentes formas. Sus cuerpos están optimizados para una navegación acuática eficiente e hidrodinámica, lo que les permite minimizar el gasto de energía al recorrer largas distancias.
Los vehículos autónomos pueden desplazarse por el océano de forma similar, recopilando datos sobre vastos entornos submarinos. Sin embargo, las formas de estas máquinas planeadoras son menos diversas que las que encontramos en la vida marina: los diseños habituales suelen parecerse a tubos o torpedos, ya que también son bastante hidrodinámicos. Además, probar nuevas construcciones requiere mucho ensayo y error en el mundo real.
Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y de la Universidad de Wisconsin en Madison proponen que la IA podría ayudarnos a explorar diseños de planeadores inexplorados de forma más sencilla. Su método utiliza el aprendizaje automático para probar diferentes diseños 3D en un simulador de física y luego los moldea en formas más hidrodinámicas. El modelo resultante puede fabricarse mediante una impresora 3D con un consumo de energía significativamente menor que los modelos hechos a mano.
Los científicos del MIT afirman que este proceso de diseño podría crear máquinas nuevas y más eficientes que ayuden a los oceanógrafos a medir la temperatura del agua y los niveles de salinidad, obtener información más detallada sobre las corrientes y monitorear los impactos del cambio climático. El equipo demostró este potencial mediante la creación de dos planeadores del tamaño aproximado de una tabla de boogie: una máquina de dos alas similar a un avión y un objeto único de cuatro alas similar a un pez plano con cuatro aletas.
Peter Yichen Chen, investigador posdoctoral del MIT CSAIL y codirector del proyecto, señala que estos diseños son solo algunas de las formas novedosas que el enfoque de su equipo puede generar. «Hemos desarrollado un proceso semiautomatizado que nos permite probar diseños poco convencionales que serían muy complejos para los humanos», afirma. «Este nivel de diversidad de formas no se ha explorado previamente, por lo que la mayoría de estos diseños no se han probado en el mundo real».
Pero, ¿cómo surgió la IA con estas ideas? Primero, los investigadores encontraron modelos 3D de más de 20 formas convencionales de exploración marina, como submarinos, ballenas, mantarrayas y tiburones. Luego, encerraron estos modelos en «jaulas de deformación» que mapeaban diferentes puntos de articulación que los investigadores desplazaban para crear nuevas formas.
El equipo liderado por CSAIL creó un conjunto de datos de formas convencionales y deformadas antes de simular su comportamiento en diferentes ángulos de ataque (la dirección en la que se inclina una embarcación al deslizarse por el agua). Por ejemplo, un nadador podría querer sumergirse en un ángulo de -30 grados para recuperar un objeto de una piscina.
Estas diversas formas y ángulos de ataque se utilizaron como datos de entrada para una red neuronal que, en esencia, anticipa la eficiencia con la que la forma de un planeador se comportará en ángulos específicos y la optimiza según sea necesario
.
La red neuronal del equipo simula cómo reaccionaría un planeador a la física subacuática, con el objetivo de capturar su avance y la fuerza que lo arrastra. El objetivo: encontrar la mejor relación sustentación-resistencia, que representa cuánto se mantiene el planeador en altura en comparación con cuánto se frena. Cuanto mayor sea la relación, mayor será la eficiencia de desplazamiento del vehículo; cuanto menor sea, mayor será la velocidad del planeador durante su viaje.
La relación sustentación-resistencia es clave para volar aviones: en el despegue, se desea maximizar la sustentación para garantizar que el avión pueda planear bien contra las corrientes de viento y, al aterrizar, se necesita fuerza suficiente para arrastrarlo hasta detenerlo por completo.
Niklas Hagemann, estudiante de posgrado en arquitectura del MIT y afiliado a CSAIL, señala que esta relación es igual de útil si se busca un planeo similar en el océano.
«Nuestro sistema modifica las formas de los planeadores para encontrar la mejor relación sustentación-resistencia, optimizando así su rendimiento bajo el agua», afirma Hagemann, quien también es coautor principal de un artículo presentado en la Conferencia Internacional de Robótica y Automatización en junio. «Después, se pueden exportar los diseños de mayor rendimiento para su impresión 3D».
Intentando dar un planeamiento rápido
Si bien su proceso de inteligencia artificial parecía realista, los investigadores necesitaban asegurarse de que sus predicciones sobre el rendimiento del planeador fueran precisas experimentando en entornos más realistas.
Primero fabricaron su diseño de dos alas como un vehículo a escala reducida que se asemejaba a un avión de papel. Este planeador se llevó al Túnel de Viento de los Hermanos Wright del MIT, un espacio interior con ventiladores que simulan el flujo de viento. Colocado en diferentes ángulos, la relación sustentación-resistencia prevista para el planeador fue solo un 5 % mayor en promedio que las registradas en los experimentos de viento, una pequeña diferencia entre la simulación y la realidad.
Una evaluación digital que incluyó un simulador de física visual más complejo también respaldó la idea de que el proceso de IA realizó predicciones bastante precisas sobre cómo se moverían los planeadores. Visualizó cómo descenderían estas máquinas en 3D.
Sin embargo, para evaluar realmente estos planeadores en el mundo real, el equipo necesitaba ver cómo se comportarían sus dispositivos bajo el agua. Imprimieron dos diseños que obtuvieron el mejor rendimiento en puntos de ataque específicos para esta prueba: un dispositivo similar a un jet a 9 grados y el vehículo de cuatro alas a 30 grados.
Ambas formas se fabricaron en una impresora 3D como carcasas huecas con pequeños orificios que se inundan al sumergirse por completo. Este diseño ligero facilita el manejo del vehículo fuera del agua y requiere menos material. Los investigadores colocaron un dispositivo tubular dentro de estas cubiertas, que albergaba diversos componentes, como una bomba para modificar la flotabilidad del planeador, un desplazador de masa (dispositivo que controla el ángulo de ataque de la máquina) y componentes electrónicos.
Cada diseño superó a un planeador artesanal con forma de torpedo al moverse con mayor eficiencia en una piscina. Con una relación sustentación-resistencia mayor que su homólogo, ambas máquinas impulsadas por IA consumieron menos energía, similar a la facilidad con la que los animales marinos navegan por los océanos.
Si bien el proyecto representa un avance prometedor para el diseño de planeadores, los investigadores buscan reducir la diferencia entre la simulación y el rendimiento en condiciones reales. También esperan desarrollar máquinas que puedan reaccionar a cambios repentinos en las corrientes, lo que hará que los planeadores sean más adaptables a mares y océanos.
Chen añade que el equipo busca explorar nuevos tipos de formas, en particular diseños de planeadores más delgados. Su objetivo es que su estructura sea más rápida, quizás reforzándola con nuevas características que permitan una mayor personalización, maniobrabilidad o incluso la creación de vehículos en miniatura.
Chen y Hagemann codirigieron la investigación en este proyecto con el investigador de OpenAI Pingchuan Ma (SM ’23, PhD ’25). Escribieron el artículo junto con Wei Wang, profesor asistente de la Universidad de Wisconsin en Madison y reciente posdoctorado de CSAIL; John Romanishin (SM ’12, PhD ’18, PhD ’23); y dos profesores del MIT y miembros de CSAIL: la directora de laboratorio Daniela Rus y el autor principal Wojciech Matusik. Su trabajo fue financiado, en parte, por una subvención de la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) y el Programa MIT-GIST. MIT News. A. S. Traducido al español
