The Pulse

Ricercatori del MIT testano un copilota IA per fornire feedback sulla progettazione strutturale

Il sistema consiglia parti di un progetto strutturale in evoluzione che un ingegnere potrebbe voler modificare. Negli esempi dimostrativi, i ricercatori riferiscono un miglioramento della producibilità oppure un aumento del 39% del carico di instabilità lineare.

AI.info Team · · verificato · su 2 fonti ↓ · Pubblicato 13 nov 2026

Un sistema di progettazione strutturale sviluppato da ricercatori del MIT usa il machine learning per suggerire parti di un progetto in evoluzione che un ingegnere potrebbe voler modificare. Negli esempi dimostrativi, i ricercatori riferiscono un miglioramento della producibilità oppure un aumento del 39% del carico di instabilità lineare, con 15 secondi in più sul tempo totale di progettazione rispetto all’ottimizzazione topologica convenzionale e semplicistica.

La ricerca è stata pubblicata il 10 novembre sulla rivista open access Communications Engineering. La rivista descrive l’articolo come una versione preliminare di una ricerca sottoposta a revisione paritaria e accettata, che sarà ulteriormente modificata prima della versione definitiva pubblicata.

Coinvolgere il progettista nel processo

Lo strumento opera con l’ottimizzazione topologica, una tecnica che riempie iterativamente lo spazio disponibile per un progetto allo scopo di raggiungere obiettivi specifici. Secondo MIT News, gli approcci convenzionali possono richiedere molto tempo di calcolo e gli ingegneri potrebbero non vedere un progetto completato fino alla fine del processo.

Alcuni progetti generati da algoritmi possono essere difficili da realizzare. MIT News cita l’esempio di un progetto con otto o più collegamenti tra travi in un singolo punto; modificare un progetto finito può significare dover ricominciare il processo.

Il primo autore, Dat Ha, è stato fino a poco tempo fa dottorando in ingegneria civile e ambientale al MIT e ora è progettista strutturale presso LeMessurier. Ha dichiarato a MIT News che i progetti complessi hanno bisogno del contributo umano per essere resi più pratici per l’industria.

La senior author Josephine Carstensen, professoressa associata di ingegneria civile e ambientale al MIT, ha descritto l’approccio come un copilota per la progettazione. Ha affermato che gli ingegneri hanno avuto poca influenza sul modo in cui si sviluppano i progetti ottimizzati topologicamente, il che limita la loro capacità di controllare le caratteristiche indesiderate.

Addestramento su preferenze simulate

Il modello di machine learning tratta il compito come una segmentazione delle immagini e usa un’architettura U-Net. Il suo compito è prevedere le regioni che un utente potrebbe preferire modificare e presentarle come suggerimenti mentre il progetto viene generato.

Il modello è stato addestrato su dataset sintetici che rappresentavano preferenze per l’elemento strutturale più lungo oppure per il collegamento strutturale più complesso. MIT News riferisce che i ricercatori hanno generato feedback su migliaia di progetti, tenendo conto di aspetti come l’aspetto, le prestazioni e la producibilità.

Secondo quanto riportato nell’articolo, il modello di preferenze sintetiche si è generalizzato a problemi di ottimizzazione topologica diversi e non standard. Gli autori affermano che ha inoltre mostrato comportamenti che andavano oltre le selezioni di una singola regione presenti nei dati di addestramento.

Risultati e limiti

L’aumento di 15 secondi del tempo totale di progettazione riportato è stato misurato rispetto all’ottimizzazione topologica convenzionale e semplicistica. L’articolo descrive la producibilità e il carico di instabilità lineare come miglioramenti alternativi negli esempi dimostrativi, senza affermare che ogni progetto li abbia ottenuti entrambi.

Per ora, gli utenti possono rendere le strutture più spesse o più sottili all’interno delle regioni individuate. Secondo MIT News, i ricercatori sperano di aggiungere altre opzioni di modifica nelle versioni future.

Gli altri autori sono Ferdous Alam, ex ricercatore post-dottorato al MIT e ora professore assistente alla Georgia Tech; Markus Buehler, professore di ingegneria al MIT; e Faez Ahmed, professore associato di ingegneria meccanica al MIT. Il lavoro ha ricevuto un sostegno parziale dal MathWorks Engineering Fellowship Fund, da TATA Steel e dal MIT Generative AI Impact Consortium.