Si se quiere mejorar un perfil aerodinámico, ¿qué significa exactamente "mejor"?
Conviene aumentar la eficiencia de crucero, pero también hay que cumplir las restricciones de diseño, y cada evaluación de alta precisión consume presupuesto computacional. Un candidato puede destacar en un indicador mientras otro conserva un mayor margen de maniobra. Ordenarlos en una lista y elegir el primero no es tan directo como parece.
La IA puede participar proponiendo nuevas soluciones y escribiendo código experimental. Después llega el momento de enfrentar cómo evaluar, comparar y seguir explorando.
El curso AI999 de EvoClass, «EvoX: sistema de evolución inteligente y práctica científica AI Native», sigue este hilo: parte de la computación evolutiva para entrar en los problemas multiobjetivo y luego aborda la base computacional moderna, la evolución de métodos y la práctica científica en entornos AI Native. Su interés está en cómo una propuesta entra en el experimento y cómo la retroalimentación modifica la siguiente propuesta.
Primero, aclarar qué mejoras merecen conservarse
La Lección 3, «La complejidad del mundo real y los compromisos multiobjetivo», usa situaciones como el diseño de perfiles aerodinámicos para discutir la relación entre objetivos, restricciones y coste de evaluación.
Algunos indicadores se quieren maximizar; otras condiciones deben alcanzar un umbral. Solo al separar estos dos tipos de requisitos existe una base para comparar.
Ante un conjunto de candidatos, si una solución queda por detrás en todos los indicadores que importan, hay razones para descartarla; si varias soluciones tienen cada una sus beneficios y costes, conservar esas diferencias permite que la elección posterior sea más clara. Los expertos del dominio pueden decidir, según las condiciones de operación y sus preferencias, qué direcciones merecen continuar.
Esto también invita a los investigadores a revisar su propia forma de evaluar. ¿Cómo se calcula una puntuación total? ¿Por qué se fijan así los pesos? ¿Las restricciones que no se incluyeron podrían hacer que una solución de alta puntuación pierda utilidad?
Estas preguntas deben responderse en el diseño experimental. De lo contrario, la búsqueda puede avanzar siguiendo la puntuación y alejarse poco a poco de la tarea que realmente importa.
Con más candidatos, ¿dónde gastar el presupuesto de evaluación?
Conservar múltiples posibilidades trae nuevos costes.
La Lección 3 también aborda los modelos sustitutos: aprender de las muestras existentes la relación entre los parámetros de los candidatos y su rendimiento, usar predicciones de menor coste para ayudar a filtrar, enviar después los candidatos que merecen un examen más profundo a una evaluación de mayor precisión y emplear los resultados para actualizaciones posteriores.
Aquí hay que distinguir el peso de las distintas evidencias. La predicción del sustituto tiene error y requiere verificación, sobre todo cuando la búsqueda entra en zonas poco conocidas. Una puntuación predicha muy alta sigue necesitando una revisión adicional.
Otra parte del coste proviene de cómo se organiza el cálculo. La Lección 4, «Base computacional moderna y evolución paralela tensorizada», discute cómo organizar la población, los resultados de evaluación y el estado como tensores para impulsar el cálculo por lotes.
Puede entenderse así: disponer los parámetros de muchos candidatos en una estructura coherente, de modo que las operaciones capaces de ejecutarse por lotes los procesen en conjunto. La documentación de desarrollo de problemas personalizados de EvoX también ilustra esta forma de organización con una interfaz de evaluación que recibe un lote de candidatos y devuelve los valores objetivo correspondientes.
Los beneficios reales aún deben medirse: ¿el tiempo se gasta en generar candidatos, en la función objetivo o en mover datos? ¿Los lotes más grandes ocupan demasiada memoria de GPU? Solo separando y registrando estos costes se sabrá qué cambiar a continuación.
La evaluación asistida por sustitutos y el paralelismo por lotes abordan, respectivamente, el coste de evaluación y la organización del cálculo. Entender su división del trabajo ayuda más que esperar de forma genérica que "ejecutar más veces saldrá mejor".
Cuando la búsqueda se estanca, también conviene revisar el método que genera candidatos
Tras más rondas de ejecución, los resultados no mejoran de forma evidente; en ese momento merece la pena revisar no solo los candidatos.
¿Cómo ocurre la mutación? ¿Cómo se configuran los parámetros? ¿El modo de búsqueda actual es adecuado para este problema?
La Lección 5, «Evolución de métodos: de optimizar soluciones a optimizar el algoritmo mismo», incorpora a la discusión, a través de materiales como MetaDE y AutoPSO, los métodos que producen candidatos.
Tomemos MetaDE como ejemplo: la evolución diferencial interna resuelve el problema objetivo, mientras que la capa externa busca, según el rendimiento de resolución, estrategias y configuraciones de parámetros. Así, además de comparar "qué solución se obtuvo", también se puede comparar "de qué manera se buscó la solución".
Este nivel de cambio también tiene costes. Al comparar métodos, hay que contabilizar en el presupuesto cuántas evaluaciones y cuánto tiempo de ejecución consumen las capas interna y externa; las conclusiones deben entenderse también dentro de los problemas y condiciones probados.
Para quienes aprenden, un ejercicio posible es establecer primero una línea base clara, cambiar después una sola estrategia, conservar la configuración y los resultados completos, y repetir la ejecución. Así, los cambios de rendimiento tienen oportunidad de ser explicados y es más fácil detectar qué modificaciones solo parecen buenas en una única ejecución.
Cuando el código ya está escrito, ¿qué debe quedar de la investigación?
Cuando la IA puede participar en implementar más experimentos, los juicios que los investigadores deben tomar no disminuyen.
La discusión de la Lección 6 sobre Genesis y la evolución continua del software lleva la atención al proyecto: cómo descomponer las tareas, cómo verificar los cambios de código y cómo los resultados válidos pasan a ser la base del trabajo posterior. La descripción oficial del proyecto de Genesis también organiza la construcción, la verificación y el desarrollo continuo en una misma ruta de trabajo.
Sin embargo, las conclusiones que respaldan una compilación y unas pruebas superadas deben distinguirse de las conclusiones científicas. Aquellas pueden indicar que el programa cumple los requisitos ya verificados; si un método es más eficaz depende también del planteamiento del problema, los experimentos de control, las métricas de evaluación y el análisis de resultados.
La Lección 7, «El paradigma científico AI Native y la entrada práctica a EvoX», devuelve esta responsabilidad al investigador: plantear preguntas, definir la evaluación, juzgar la dirección y criticar los resultados existentes.
El "gusto científico" también puede volverse concreto así. ¿Se elige un problema porque es importante o porque es fácil obtener resultados vistosos? ¿Puede la evaluación poner a prueba las propias afirmaciones? Si otro investigador recibe el código, la descripción del entorno, los parámetros y el registro de ejecuciones, ¿podrá revisar este experimento de nuevo?
Si ya has empezado a escribir código experimental con ayuda de la IA, puedes comenzar por un problema pequeño que puedas verificar tú mismo: escribir primero objetivos y restricciones, fijar el presupuesto y la línea base, y luego ejecutar, comparar, registrar y decidir qué conservar para la siguiente ronda. La descripción general del curso AI999 de EvoClass ofrece un punto de entrada para seguir aprendiendo por este camino.
Volviendo al conjunto inicial de candidatos de perfiles aerodinámicos, lo que la investigación aporta quizá sea, por ahora, un conjunto de compromisos fundamentados: qué soluciones merecen conservarse, cuáles necesitan evaluaciones adicionales y qué direcciones ya no merecen continuar.
Cuando estos juicios y evidencias pueden ser heredados por el siguiente experimento, una solución que aún no es lo bastante buena tiene un punto de partida para seguir mejorando.
La presentación del curso se basa en los materiales actuales de EvoClass AI999; el contexto técnico se apoya además en los materiales oficiales de los proyectos enlazados en el texto. La discusión sobre perfiles aerodinámicos sirve para ilustrar la relación entre objetivos y restricciones; las disposiciones experimentales del texto son sugerencias de aprendizaje y no constituyen una evaluación de rendimiento realizada en este artículo. Los enlaces de las lecciones apuntan a materiales de aprendizaje en chino simplificado.