Física com IA poderá transformar dias de simulação em segundos

Durante a maior parte do último século, uma nova asa, bateria ou estrutura de automóvel foi verificada sempre da mesma forma: os engenheiros constroem uma cópia virtual e resolvem as equações da física, ponto a ponto, em toda essa cópia. Os resultados são fiáveis, mas uma única simulação pode demorar horas ou dias num conjunto de computadores que ocupa uma sala inteira, e a preparação do modelo pode demorar ainda mais dias. É este o estrangulamento que Pete Schlampp, diretor executivo da Luminary, coloca no centro de um texto de opinião publicado no Engineering.com. A sua tese é que os modelos de IA já conseguem prever o mesmo comportamento muito mais depressa.

O mecanismo está próximo do que tornou possíveis os grandes modelos de linguagem. Um LLM aprende os padrões da linguagem a partir de milhares de milhões de documentos e depois escreve novo texto sem consultar nada. Um Grande Modelo de Física (LPM, na sigla em inglês) aprende os padrões da física a partir de milhares de simulações baseadas em física: como o ar escoa sobre uma asa, como o calor se propaga numa bateria, como o metal se deforma num choque. Depois de treinado, prevê como se comportará uma nova forma sem resolver as equações do zero. Segundo o autor, o modelo fornece então a pressão, a tensão e o calor em cada ponto da superfície em segundos, quando o método tradicional precisava de dias.

A ideia não é nova por si só, e o autor insere-a numa série mais vasta de resultados. Em 2024, Demis Hassabis e John Jumper, da Google DeepMind, partilharam o Prémio Nobel da Química pelo AlphaFold, que previu as estruturas de praticamente todas as 200 milhões de proteínas conhecidas pela ciência. Um ano antes, o GraphCast da DeepMind produziu previsões meteorológicas a 10 dias mais precisas do que o principal sistema operacional em cerca de 90 % das medidas testadas, em menos de um minuto e não em horas num supercomputador. Em fevereiro de 2025, o Centro Europeu de Previsões Meteorológicas a Médio Prazo começou a utilizar, de forma operacional, um modelo de aprendizagem automática em paralelo com o seu sistema existente, registando ganhos de até 20 % nas previsões de ciclones tropicais e uma redução de mil vezes na energia necessária para produzir uma previsão. Trata-se de sistemas de meteorologia e de biologia, não de LPM para peças industriais, mas o autor sustenta que partilham a mesma característica: prever como se comporta um sistema físico antes de qualquer experiência.

O autor atribui ao crescimento desta tecnologia três fatores. As GPU tornam rápido e acessível gerar os milhares de treinos de que um LPM necessita, reduzindo uma única simulação de dias para minutos. As arquiteturas de transformadores baseadas em atenção permitem previsões à escala e à velocidade que a engenharia exige. E os agentes de IA que exploram milhares de projetos precisam de retorno da física, porque sem ele produzem projetos aleatórios que podem não funcionar no mundo real. O autor afirma ainda que os resultados publicados mostram previsões dos LPM a alguns por cento dos métodos mais lentos. Esses estudos não são citados no texto, e o autor dirige uma empresa que vende esta tecnologia, pelo que o valor continua a ser uma afirmação sua até que testes independentes o confirmem.

Se as afirmações se confirmarem, o ganho ultrapassa o gabinete de projeto. O mesmo modelo que prevê o desempenho de uma asa antes de ser construída pode prever a consistência de um lote de peças fabricadas e detetar um defeito que uma verificação tradicional deixaria passar. Depois de um avião, um motor ou um veículo entrar em serviço, pode processar os dados dos sensores e assinalar uma peça próxima da avaria, em cada unidade e de forma contínua, em vez de apenas nas inspeções programadas. Levado mais longe, um modelo suficientemente rápido poderia integrar um sistema de controlo e ajustar a trajetória de uma máquina em tempo real. Para os fabricantes de aeronaves, os construtores automóveis e os engenheiros de baterias, isto significa menos protótipos físicos e iterações mais rápidas. O texto não indica quando é que isto chegará à maioria das empresas nem apresenta qualquer valor de custo, pelo que o calendário para as equipas de engenharia mais pequenas continua em aberto.