Cientistas marinhos há muito se maravilham com a eficiência com que animais como peixes e focas nadam, apesar de terem formas diferentes. Seus corpos são otimizados para uma navegação aquática eficiente e hidrodinâmica, permitindo que gastem o mínimo de energia ao percorrer longas distâncias.

Veículos autônomos podem navegar pelo oceano de maneira semelhante, coletando dados sobre vastos ambientes subaquáticos. No entanto, os formatos dessas máquinas planadoras são menos diversos do que os encontrados na vida marinha — os modelos mais comuns geralmente se assemelham a tubos ou torpedos, já que também são bastante hidrodinâmicos. Além disso, testar novas construções exige muita tentativa e erro no mundo real.

Pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT e da Universidade de Wisconsin em Madison propõem que a IA poderia nos ajudar a explorar modelos de planadores inexplorados de forma mais conveniente. O método deles usa aprendizado de máquina para testar diferentes modelos 3D em um simulador de física e, em seguida, moldá-los em formas mais hidrodinâmicas. O modelo resultante pode ser fabricado em uma impressora 3D, usando significativamente menos energia do que os modelos feitos à mão.

Os cientistas do MIT afirmam que esse projeto poderia criar máquinas novas e mais eficientes que auxiliariam oceanógrafos a medir a temperatura da água e os níveis de sal, coletar informações mais detalhadas sobre as correntes e monitorar os impactos das mudanças climáticas. A equipe demonstrou esse potencial produzindo dois planadores aproximadamente do tamanho de uma prancha de bodyboard: uma máquina de duas asas, semelhante a um avião, e um objeto único, de quatro asas, semelhante a um peixe chato com quatro nadadeiras.

Peter Yichen Chen, pós-doutorado no MIT CSAIL e pesquisador colíder do projeto, observa que esses designs são apenas algumas das novas formas que a abordagem de sua equipe pode gerar. "Desenvolvemos um processo semiautomatizado que pode nos ajudar a testar designs não convencionais que seriam muito desafiadores para humanos projetarem", diz ele. "Esse nível de diversidade de formas não foi explorado anteriormente, então a maioria desses designs não foi testada no mundo real."

Mas como a IA teve essas ideias? Primeiro, os pesquisadores encontraram modelos 3D de mais de 20 formas convencionais de exploração marinha, como submarinos, baleias, arraias-manta e tubarões. Em seguida, eles colocaram esses modelos em "gaiolas de deformação" que mapeiam diferentes pontos de articulação que os pesquisadores movimentaram para criar novas formas.

A equipe liderada pelo CSAIL construiu um conjunto de dados de formas convencionais e deformadas antes de simular seu desempenho em diferentes "ângulos de ataque" — a direção em que uma embarcação se inclina ao deslizar na água. Por exemplo, um nadador pode querer mergulhar em um ângulo de -30 graus para recuperar um item de uma piscina.

Essas diversas formas e ângulos de ataque foram então usados como entradas para uma rede neural que, essencialmente, antecipa a eficiência do formato de um planador em ângulos específicos e o otimiza conforme necessário.

A rede neural da equipe simula como um planador específico reagiria à física subaquática, com o objetivo de capturar como ele se move para frente e a força que o arrasta. O objetivo: encontrar a melhor relação sustentação-arrasto, representando o quanto o planador está sendo sustentado em comparação com o quanto está sendo retido. Quanto maior a relação, mais eficientemente o veículo se desloca; quanto menor, mais o planador desacelerará durante a viagem.

As relações de sustentação e arrasto são essenciais para pilotar aviões: na decolagem, você precisa maximizar a sustentação para garantir que ele possa planar bem contra as correntes de vento e, ao pousar, você precisa de força suficiente para arrastá-lo até uma parada completa.

Niklas Hagemann, aluno de pós-graduação em arquitetura do MIT e afiliado ao CSAIL, observa que essa proporção é igualmente útil se você deseja um movimento de deslizamento semelhante no oceano.

"Nosso pipeline modifica o formato do planador para encontrar a melhor relação sustentação-arrasto, otimizando seu desempenho debaixo d'água", diz Hagemann, que também é coautor principal de um  artigo apresentado na Conferência Internacional sobre Robótica e Automação em junho. "Você pode então exportar os projetos de melhor desempenho para que possam ser impressos em 3D."

Embora seu pipeline de IA parecesse realista, os pesquisadores precisavam garantir que suas previsões sobre o desempenho do planador fossem precisas, experimentando em ambientes mais realistas.

Eles primeiro fabricaram seu projeto de duas asas como um veículo em escala reduzida, semelhante a um avião de papel. Este planador foi levado ao Túnel de Vento Wright Brothers do MIT, um espaço interno com ventiladores que simulam o fluxo de vento. Colocados em ângulos diferentes, a razão sustentação-arrasto prevista do planador foi apenas cerca de 5% maior, em média, do que as registradas nos experimentos de vento — uma pequena diferença entre a simulação e a realidade.

Uma avaliação digital envolvendo um simulador de física visual e mais complexo também apoiou a noção de que o pipeline de IA fez previsões bastante precisas sobre como os planadores se moveriam. Ele visualizou como essas máquinas desceriam em 3D.

Para realmente avaliar esses planadores no mundo real, no entanto, a equipe precisava ver como seus dispositivos se sairiam debaixo d'água. Eles imprimiram dois projetos que tiveram o melhor desempenho em pontos de ataque específicos para este teste: um dispositivo semelhante a um jato a 9 graus e o veículo de quatro asas a 30 graus.

Ambas as formas foram fabricadas em uma impressora 3D como conchas ocas com pequenos furos que inundam quando totalmente submersas. Esse design leve torna o veículo mais fácil de manusear fora d'água e requer menos material para ser fabricado. Os pesquisadores colocaram um dispositivo em forma de tubo dentro dessas coberturas de concha, que abrigavam uma variedade de hardware, incluindo uma bomba para alterar a flutuabilidade do planador, um deslocador de massa (um dispositivo que controla o ângulo de ataque da máquina) e componentes eletrônicos.

Cada design superou um planador em forma de torpedo feito à mão, movendo-se com mais eficiência em uma piscina. Com relações de sustentação/arrasto mais altas do que suas contrapartes, ambas as máquinas controladas por IA gastaram menos energia, semelhante às maneiras sem esforço que os animais marinhos navegam pelos oceanos.

Por mais que o projeto seja um passo encorajador para o design de planadores, os pesquisadores estão buscando diminuir a lacuna entre a simulação e o desempenho no mundo real. Eles também esperam desenvolver máquinas que possam reagir a mudanças repentinas nas correntes, tornando os planadores mais adaptáveis aos mares e oceanos.

Chen acrescenta que a equipe está buscando explorar novos tipos de formas, particularmente designs de planadores mais finos. Eles pretendem tornar sua estrutura mais rápida, talvez reforçando-a com novos recursos que permitam mais personalização, manobrabilidade ou até mesmo a criação de veículos em miniatura.

Chen e Hagemann colideraram a pesquisa neste projeto com o pesquisador da OpenAI, Pingchuan Ma SM '23, PhD '25. Eles escreveram o artigo com Wei Wang, professor assistente da Universidade de Wisconsin em Madison e recente pós-doutorado no CSAIL; John Romanishin '12, SM '18, PhD '23; e dois professores do MIT e membros do CSAIL: a diretora do laboratório, Daniela Rus, e o autor sênior, Wojciech Matusik. Seu trabalho foi apoiado, em parte, por uma bolsa da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) e pelo Programa MIT-GIST.