Quando se quer melhorar um perfil aerodinâmico, o que exatamente significa "melhor"?
A eficiência de cruzeiro merece ser aumentada, as restrições de projeto precisam ser atendidas, e cada avaliação de alta precisão consome orçamento computacional. Um candidato se destaca em um indicador, enquanto outro pode preservar uma margem maior. Colocá-los em uma fila e escolher o primeiro colocado não é tão direto quanto parece.
A IA pode participar propondo novas soluções e escrevendo código experimental. Depois, surge a questão de como avaliar, comparar e continuar explorando.
O curso AI999 "EvoX Intelligent Evolutionary Systems and AI Native Research Practice" da EvoClass segue essa linha: parte da computação evolutiva para problemas multiobjetivo e discute a infraestrutura computacional moderna, a evolução de métodos e a prática científica em ambientes AI Native. O foco é como uma proposta entra no experimento e como o feedback altera a próxima proposta.
Primeiro, deixe claro que tipo de melhoria vale a pena manter
A Aula 3, "A complexidade do mundo real e os compromissos multiobjetivo", usa situações como o projeto de perfis aerodinâmicos para discutir a relação entre objetivos, restrições e custo de avaliação.
Alguns indicadores devem ser elevados o máximo possível; outras condições precisam atingir um patamar mínimo. Só ao separar esses dois tipos de exigência a comparação ganha base.
Diante de um conjunto de candidatos, se uma solução fica atrás em todos os indicadores relevantes, há motivo para descartá-la; se várias soluções têm ganhos e custos distintos, preservar essas diferenças pode tornar a escolha posterior mais clara. Especialistas de domínio podem, com base nas condições de operação e nas preferências concretas, decidir quais direções vale a pena seguir.
Isso também lembra o pesquisador a examinar sua própria forma de avaliação. Como uma pontuação total é calculada? Por que os pesos foram definidos assim? Restrições que não foram incluídas poderiam fazer com que uma solução de pontuação alta perdesse utilidade prática?
Essas perguntas precisam ser respondidas no desenho do experimento. Caso contrário, a busca pode avançar continuamente ao longo da pontuação, mas se afastar aos poucos da tarefa que realmente importa.
Com cada vez mais candidatos, onde gastar o orçamento de avaliação?
Preservar múltiplas possibilidades traz novos custos.
A Aula 3 também discute modelos substitutos (surrogates): aprender, a partir de amostras existentes, a relação entre parâmetros dos candidatos e desempenho, usar previsões de baixo custo para ajudar na triagem, enviar os candidatos que merecem exame mais profundo para avaliações de maior precisão e usar os resultados para atualizações posteriores.
Aqui é preciso distinguir o peso de diferentes evidências. As previsões do modelo substituto têm erro, e a verificação é especialmente necessária quando a busca entra em regiões pouco familiares. Uma pontuação prevista aparentemente alta ainda precisa passar por verificação adicional.
Outra parte do custo vem da forma de organizar a computação. A Aula 4, "Infraestrutura computacional moderna e evolução paralela tensorizada", discute como organizar populações, resultados de avaliação e estados como tensores, avançando a computação em lotes.
Pode-se entender isso assim: os parâmetros de muitos candidatos são dispostos em uma estrutura consistente, para que operações executáveis em lote os processem em conjunto. A documentação de desenvolvimento de problemas personalizados do EvoX também ilustra essa organização por meio de uma interface de avaliação que recebe um lote de candidatos e retorna os valores de objetivo correspondentes.
Os ganhos reais ainda precisam ser medidos: o tempo é gasto na geração de candidatos, na função objetivo ou no transporte de dados? Lotes maiores ocupam memória de GPU em excesso? Só registrando esses custos separadamente é possível saber onde mudar em seguida.
A avaliação assistida por modelos substitutos e o paralelismo em lote tratam, respectivamente, do custo de avaliação e da organização da computação. Compreender essa divisão de trabalho ajuda mais do que esperar vagamente que "rodar mais vai dar melhores resultados".
Quando a busca estagna, também vale examinar o método que gera candidatos
Depois de mais rodadas, os resultados não melhoram de forma evidente. Nesse momento, vale examinar não apenas os candidatos em si.
Como a mutação ocorre? Como os parâmetros são definidos? O modo de busca atual é adequado a este problema?
A Aula 5, "Evolução de métodos: da otimização da solução à otimização do próprio algoritmo", por meio de materiais como MetaDE e AutoPSO, inclui na discussão também os métodos que geram candidatos.
Tomando o MetaDE como exemplo, a camada interna de evolução diferencial resolve o problema objetivo, enquanto a camada externa busca estratégias e configurações de parâmetros com base no desempenho da resolução. Assim, além de comparar "que solução foi obtida", é possível comparar "de que forma se buscou a solução".
Essa mudança de nível também tem custo. Ao comparar métodos, quantas avaliações as camadas interna e externa usaram e quanto tempo de execução ocuparam devem entrar no orçamento; as conclusões também precisam ser entendidas no contexto dos problemas e condições testados.
Para quem aprende, um exercício possível é estabelecer primeiro uma linha de base clara, depois alterar uma única estratégia, guardar a configuração e os resultados completos e repetir as execuções. Assim, as mudanças de desempenho têm chance de ser explicadas, e fica mais fácil identificar quais alterações parecem boas apenas em uma execução isolada.
Depois que o código está escrito, o que a pesquisa deve deixar?
Quando a IA consegue participar da implementação de mais experimentos, os julgamentos que o pesquisador precisa fazer não diminuem.
A discussão da Aula 6 sobre Genesis e a evolução contínua de software leva o foco ao projeto: como decompor tarefas, como verificar alterações de código, como resultados válidos entram na base do trabalho seguinte. A descrição oficial do projeto do Genesis também organiza construção, verificação e desenvolvimento contínuo em um mesmo caminho de trabalho.
No entanto, as conclusões apoiadas pela compilação e pelos testes aprovados precisam ser distinguidas das conclusões científicas. Eles podem indicar que o programa atende aos requisitos já verificados; se um método é mais eficaz depende ainda da formulação do problema, dos experimentos de controle, das métricas de avaliação e da análise dos resultados.
A Aula 7, "O paradigma de pesquisa AI Native e a entrada prática no EvoX", devolve essa responsabilidade ao pesquisador: formular perguntas, definir avaliações, julgar direções e criticar resultados existentes.
O "gosto pela pesquisa" também pode se tornar concreto a partir disso. Escolher um problema porque ele é importante ou porque é fácil obter resultados bonitos? A avaliação consegue testar as próprias afirmações? Se o próximo pesquisador receber o código, a descrição do ambiente, os parâmetros e os registros de execução, conseguirá reexaminar este experimento?
Se você já começou a usar IA para escrever código experimental, pode partir de um problema pequeno que você consiga verificar: primeiro escreva objetivos e restrições, defina orçamento e linha de base, depois execute, compare, registre e decida o que manter na próxima rodada. A visão geral do curso AI999 da EvoClass oferece um ponto de entrada para continuar aprendendo nesse caminho.
Voltando ao conjunto inicial de candidatos de perfis aerodinâmicos, o ganho da pesquisa pode ser, por enquanto, um conjunto de escolhas fundamentadas: quais soluções vale a pena manter, quais precisam de avaliação complementar, quais direções já não merecem continuidade.
Quando esses julgamentos e evidências podem ser herdados pelo próximo experimento, uma solução ainda não boa o suficiente ganha um ponto de partida para continuar melhorando.
A apresentação do curso baseia-se nos materiais atuais do EvoClass AI999; o contexto técnico também consulta os materiais oficiais dos projetos linkados no texto. A discussão sobre perfis aerodinâmicos serve para ilustrar a relação entre objetivos e restrições; o arranjo experimental no texto é uma sugestão de estudo, não uma avaliação de desempenho realizada neste artigo. Os links das aulas apontam para materiais de estudo em chinês simplificado.