.
Imagine um relógio de pêndulo alto e imponente, seu longo pêndulo balançando para frente e para trás, repetidamente, mantendo o ritmo com o tempo. Os cientistas podem descrever esse movimento com uma equação ou modelo dinâmico e, embora aparentemente existam centenas de fatores que contribuem para a oscilação (o peso do relógio, o material do pêndulo, ad infinitum), há apenas uma variável necessária para descrever o movimento do pêndulo e traduzi-lo em matemática: o ângulo do balanço. Quanto tempo levou cientistas e matemáticos para descobrir isso é desconhecido. Poderia levar anos para testar cada variável na equação para determinar a única variável importante para a influência.
Agora, um pesquisador da Universidade de Houston está relatando um método para descrever esses tipos de sistemas complexos com o menor número possível de variáveis, às vezes reduzindo a possibilidade de milhões a um valor mínimo e apenas um em raras ocasiões. É um avanço que pode acelerar a ciência com sua eficiência e capacidade de entender e prever o comportamento dos sistemas naturais, e tem implicações para acelerar uma série de atividades que usam simulações, desde a previsão do tempo até a produção de aeronaves.
“No exemplo do relógio antigo, posso fazer um vídeo do pêndulo balançando para frente e para trás e, a partir desse vídeo, descobrir automaticamente qual é a variável certa. Modelos precisos de dinâmica de sistema permitem uma compreensão mais profunda desses sistemas, bem como da capacidade de prever seu comportamento futuro”, relata Daniel Floryan, Kalsi Professor Assistente de Engenharia Mecânica, na revista Inteligência da Máquina da Natureza.
Para começar a construir os modelos compactos, mas precisos, um princípio é fundamental: para cada ação, mesmo aquelas aparentemente complexas e aleatórias, existe um padrão subjacente que permite uma representação compacta do sistema.
“Nosso método encontra a descrição mais compacta que é matematicamente possível, e é isso que diferencia nosso método dos outros”, disse Floryan.
Usando ideias de aprendizado de máquina e teoria de variedades suaves, o método torna as simulações extremamente rápidas e baratas.
Em uma aplicação, Floryan simulou uma reação entre alguns produtos químicos. A reação resultou em um comportamento complexo entre os produtos químicos quando eles se encontraram: uma espiral rítmica repetitiva que requer mais de 20.000 variáveis para simulá-la. Floryan colocou o vídeo da reação em seu algoritmo, e ele descobriu que precisava de apenas uma variável para entender a ação. A variável necessária era o tempo que a espiral levava para voltar ao ponto de partida, como o ponteiro dos segundos de um relógio.
Em relação à previsão do tempo, os modelos numéricos são simulações de computador da atmosfera que usam equações complicadas de física e dinâmica de fluidos.
“Para previsão do tempo e modelagem climática, se você tiver algo muito mais rápido, poderá modelar melhor o clima da Terra e prever melhor o que vai acontecer”, disse Floryan.
Fonte da história:
Materiais fornecidos por Universidade de Houston. Original escrito por Laurie Fickman. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
