La inteligencia artificial encuentra una vía para diseñar alas de avión más eficientes

Un grupo de investigadores logró que la inteligencia artificial diseñara una forma de reducir la fricción en un modelo de ala de avión en un 38% , un avance que podría acelerar el desarrollo de vehículos más eficientes y con menor consumo energético.

Según informó New Scientist , el trabajo mostró que varios agentes de IA pudieron resolver un problema complejo de dinámica de fluidos sin acceso directo a las simulaciones más costosas.

Un atajo para un problema difícil El comportamiento de los fluidos condiciona desde el paso del aire sobre las alas de un avión hasta la resistencia que enfrentan las hélices de una turbina eólica o el flujo de sangre en el cuerpo humano .

Ese tipo de cálculos exige una enorme capacidad computacional, ya que involucra millones o miles de millones de ecuaciones acopladas.

De acuerdo con New Scientist , el equipo buscó una vía alternativa para sortear esa limitación.

La apuesta consistió en reemplazar parte de ese costo computacional con entrenamiento de inteligencia artificial , de modo que los modelos aprendieran principios generales del flujo de fluidos y luego los aplicaran en escenarios más complejos.

Steven Brunton , investigador de la Universidad de Washington, sostuvo en declaraciones recogidas por New Scientist que las simulaciones de fluidos a escala de ingeniería siguen fuera del alcance incluso de los sistemas más potentes.

“Con las computadoras más rápidas del mundo, quizá estamos a 100 años de simular los flujos que realmente nos importan a escala de ingeniería” , afirmó.

Cómo funciona HydroGym Para llevar adelante el trabajo, los científicos desarrollaron HydroGym , una plataforma en la que múltiples agentes de IA pueden modificar el modo en que un fluido se desplaza sobre objetos virtuales.

Entre las acciones posibles figuran la incorporación de actuadores que inyectan fluido o cambios en el movimiento del propio objeto, con el objetivo de reducir la resistencia.

Christian Lagemann , de la Universidad RWTH Aachen de Alemania, explicó que los agentes resolvieron la tarea mediante aprendizaje por refuerzo , un método basado en prueba y error.

El sistema también permitió que varios agentes coordinaran sus decisiones para alcanzar un mejor resultado global, una estrategia que, según detalló New Scientist , no se había probado antes en problemas de fluidos de esta escala.

Ese punto resultó central para el experimento.

Los agentes no se limitaron a repetir una solución fija, sino que aprendieron reglas que luego trasladaron a casos nuevos, aun cuando no contaban con una simulación detallada de esos casos más exigentes.