Aprendizado por Reforço Baseado em Modelo para Otimização de Processos Industriais

Descrição

Este projeto de pesquisa e desenvolvimento propõe a criação de um framework computacional inovador para a otimização de processos industriais complexos, fundamentado na sinergia entre o Aprendizado por Reforço Baseado em Modelo (MBRL) e a Identificação Esparsa de Dinâmicas Não Lineares (SINDy). Diante do desafio de aplicar inteligência artificial em ambientes industriais, onde a eficiência de dados, a segurança e a interpretabilidade são cruciais, as abordagens convencionais de aprendizado por reforço, especialmente as baseadas em redes neurais profundas (model-free), demonstram limitações significativas. O objetivo central deste projeto é desenvolver e validar um sistema que aprende um modelo dinâmico do ambiente industrial na forma de equações diferenciais parcimoniosas e humanamente legíveis. A equipe desenvolverá novos algoritmos de otimização baseados em modelos inspirados nos algoritmos da classe SINDy e na metodologia da programação dinâmica como descrito nos trabalhos [13] e [14]. A abordagem proposta visa superar as barreiras de eficiência de amostragem e da "caixa-preta", gerando soluções de controle que não são apenas eficazes, mas também transparentes, verificáveis e confiáveis. Os resultados esperados incluem um protótipo de software funcional em Nível de Maturidade Tecnológica (TRL) 6, validado em simulações de alta fidelidade de casos de uso industriais como gestão de inventário e otimização de processo, além de contribuições científicas relevantes para o campo da IA confiável (Trustworthy AI).