El uso de algoritmos para diseñar estructuras ha dado lugar a nuevas piezas optimizadas para aviones ultraligeros, antenas de gran ancho de banda y coches de carreras de F1.
Pero las mejores técnicas de diseño algorítmico aún requieren mucho cálculo y tiempo: los usuarios sólo ven el diseño final una vez que está completo, después de lo cual a menudo deben comenzar el proceso de diseño nuevamente para realizar cambios. Ese proceso también hace que sea más difícil confiar en que los diseños finales sean estructuralmente sólidos.
Los investigadores del MIT están haciendo que los diseños algorítmicos sean más colaborativos con un sistema que actúa como un copiloto de IA. A medida que el algoritmo genera la estructura, presenta regiones al diseñador humano para recibir comentarios.
En un artículo de ingeniería de comunicaciones de acceso abierto que describe el sistema, los investigadores demostraron que conducía a estructuras más fáciles de fabricar con cargas de pandeo más altas, al tiempo que agregaba solo 15 segundos al tiempo total de diseño en comparación con los enfoques totalmente algorítmicos.
Los investigadores creen que el enfoque, que utiliza una técnica de diseño conocida como optimización topológica, podría hacer que el diseño algorítmico sea más accesible y factible de fabricar para una clase más amplia de ingenieros de diseño.
“En este momento, el ser humano no tiene ninguna agencia ni control sobre el proceso de diseño mientras se desarrolla”, explica el autor principal Dat Ha PhD ’26, un reciente estudiante de doctorado en ingeniería civil y ambiental del MIT que ahora es diseñador estructural en LeMessurier. “Para estos diseños realmente complejos, también queríamos aprovechar nuestro cerebro, que es la máquina más compleja que existe, para resolver estos problemas de diseño de una manera que sea más práctica para la industria”.
Junto a Ha en el artículo se encuentran Ferdous Alam, un ex postdoctorado del MIT que ahora es profesor asistente en Georgia Tech; Markus Buehler, profesor de ingeniería del MIT Jerry McAfee (1940); Faez Ahmed, profesor asociado de ingeniería mecánica del MIT; y la autora principal Josephine Carstensen, profesora asociada de ingeniería civil y ambiental del MIT.
Poner a un humano al tanto
La optimización de la topología es una de las técnicas de diseño algorítmico más avanzadas y prometedoras. Utiliza técnicas de optimización formal para llenar de forma iterativa el espacio dado para un diseño de una manera que logre al máximo los objetivos establecidos. Para la mayoría de las aplicaciones, el proceso requiere muchos cálculos y tiempo. Cuando finalmente esté terminado, los diseños pueden ser poco prácticos de construir o tener otros problemas que el ingeniero no consideró. Por ejemplo, algunos diseños pueden tener ocho o más conexiones de vigas en un solo punto, lo que sería difícil de realizar en el mundo real.
“Los ingenieros siempre son muy escépticos con respecto a los programas de computadora, especialmente si ofrecen diseños muy extraños o inesperados”, dice Ha. “Sobre el papel, la optimización de la topología es realmente poderosa y puede lograr diseños fantásticos y de alto rendimiento, pero su naturaleza de caja negra ha hecho que su adopción en la industria sea menos generalizada”.
La optimización de la topología ha ganado fuerza en las industrias automotriz y aeroespacial, pero se ha utilizado menos para diseñar edificios o puentes, en parte porque los ingenieros de diseño necesitan saber que pueden confiar en el resultado.
“Un gran factor limitante ha sido que el ingeniero de diseño tiene muy poca influencia sobre cómo evoluciona el diseño y, por lo tanto, no puede controlar las características indeseables”, explica Carstensen. “La falta de control y de propiedad también inhibe su uso”.
Para abordar esos problemas, los investigadores hicieron que la optimización de la topología fuera más colaborativa en un enfoque que Carstensen compara con tener un copiloto de diseño.
Los intentos anteriores de agregar el juicio humano ralentizaron dramáticamente las cosas. El nuevo sistema de los investigadores utiliza el aprendizaje automático para identificar rápidamente las regiones más probables de un diseño algorítmico que un humano querría cambiar. Para entrenar el modelo de aprendizaje automático, los investigadores crearon un conjunto de datos sintéticos de probable retroalimentación humana sobre miles de diseños que criticaban aspectos como la estética, los criterios de rendimiento y la capacidad de fabricación.
“Pensamos que si podíamos crear un registro de dónde los humanos habían realizado cambios en estos programas, entonces tal vez hubiera un patrón en esas elecciones, que no es muy diferente de otros tipos de enfoques de aprendizaje automático”, dice Ha.
Carstensen considera que el sistema reúne lo mejor de los enfoques de diseño algorítmico y humano.
“La idea es acceder a los cerebros de los diseñadores y lograr que infundan su conocimiento del dominio a medida que evoluciona el diseño”, dice Carstensen.
En demostraciones, los investigadores demostraron que su enfoque humano en el circuito mejoró la capacidad de fabricación y la carga de pandeo lineal en un 39 por ciento, mientras que solo aumentó modestamente el tiempo total de diseño.
En este momento, el enfoque solo permite a los usuarios hacer que las estructuras dentro de regiones identificadas sean más gruesas o más delgadas, pero esperan agregar otras opciones de modificación en versiones futuras.
“La esperanza es que, al abordar estos obstáculos, abramos la optimización de la topología a un público mucho más amplio, no sólo en la industria sino también a investigadores y estudiantes del mundo académico”, afirma Carstensen.
De los diseños a las estructuras
Los investigadores consideran que su enfoque complementa los enfoques de diseño exclusivos de la IA.
“Estamos argumentando que hay espacio para ambos”, dice Carstensen. “Si estás en una disciplina que tiene muchos recursos computacionales, puedes usar el otro enfoque. Pero si realmente necesitas la aportación humana, puedes usar este enfoque colaborativo”.
Agregar aportes humanos también sirve para aumentar la confianza.
“En algunos entornos, los humanos necesitan tomar las decisiones finales antes de avanzar en el diseño final”, dice Carstensen. “Al involucrar a los humanos, podemos llevar diseños de mayor rendimiento al mundo real para crear estructuras de mayor rendimiento. Porque no se trata sólo de diseñar buenos artefactos; se trata de crear buenos artefactos que los humanos realmente acepten y fabriquen”.
El trabajo fue apoyado, en parte, por el MathWorks Engineering Fellowship Fund, TATA Steel y el MIT Generative AI Impact Consortium.