Investigadores del MIT presentaron un sistema que vuelve colaborativo el diseño algorítmico de estructuras. Funciona como un copiloto de IA: mientras el algoritmo genera la pieza, le presenta al diseñador humano ciertas regiones para que opine sobre ellas.
El uso de algoritmos para diseñar estructuras ya produjo piezas optimizadas para aviones ultralivianos, antenas de gran ancho de banda y autos de Fórmula 1. Pero las mejores técnicas todavía exigen mucho cálculo y tiempo. El usuario solo ve el diseño cuando está terminado, y si quiere cambiar algo suele tener que partir de cero. Ese mismo proceso hace más difícil confiar en que el resultado final sea estructuralmente sólido.
En un artículo de acceso abierto en Communications Engineering, el equipo mostró que el sistema produce estructuras más fáciles de fabricar y con mayores cargas de pandeo, y que agrega solo 15 segundos al tiempo total de diseño frente a los enfoques puramente algorítmicos.
Los autores creen que el método, basado en una técnica llamada optimización topológica, puede acercar el diseño algorítmico a un grupo mucho más amplio de ingenieros.
"Ahora mismo, el humano no tiene ninguna agencia ni control sobre el proceso de diseño mientras ocurre", explica el autor principal, Dat Ha, quien obtuvo su doctorado en ingeniería civil y ambiental en el MIT en 2026 y hoy es diseñador estructural en LeMessurier. "Para estos diseños realmente complejos, quisimos aprovechar también nuestro cerebro, que es la máquina más compleja que existe, para resolver estos problemas de diseño de una forma más práctica para la industria".
Firman el artículo junto a Ha Ferdous Alam, exinvestigador posdoctoral del MIT y hoy profesor asistente en Georgia Tech; Markus Buehler, profesor de ingeniería del MIT; Faez Ahmed, profesor asociado de ingeniería mecánica del MIT; y la autora sénior Josephine Carstensen, profesora asociada de ingeniería civil y ambiental del MIT.
¿Qué es la optimización topológica?
Es una de las técnicas de diseño algorítmico más avanzadas. Usa métodos formales de optimización para ir llenando, iteración tras iteración, el espacio disponible para una pieza de la forma que mejor cumpla los objetivos fijados. En la mayoría de las aplicaciones el proceso requiere mucho cálculo y tiempo.
Cuando termina, el diseño puede resultar imposible de construir o tener problemas que el ingeniero no consideró. Algunos diseños tienen ocho o más uniones de vigas en un solo punto, algo muy difícil de fabricar en el mundo real.
"Los ingenieros siempre son muy escépticos de los programas computacionales, sobre todo si les entregan diseños muy raros o inesperados", dice Ha. "En el papel, la optimización topológica es realmente poderosa y puede lograr diseños excelentes y de alto rendimiento, pero su naturaleza de caja negra ha hecho que la industria la adopte menos".
La técnica ganó terreno en las industrias automotriz y aeroespacial, pero se usa menos para diseñar edificios o puentes, en parte porque los ingenieros necesitan poder 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 la falta de autoría también inhiben su uso".
¿Cómo sabe el sistema dónde preguntar?
Los intentos anteriores de sumar el criterio humano hacían el proceso mucho más lento. El nuevo sistema usa aprendizaje automático para identificar rápido las regiones de un diseño que un humano probablemente querría cambiar.
Para entrenar ese modelo, los investigadores crearon un conjunto de datos sintético con comentarios humanos probables sobre miles de diseños, que criticaban aspectos como la estética, los criterios de desempeño y la facilidad de fabricación.
"Pensamos que si podíamos crear un registro de dónde los humanos han hecho cambios en estos programas, quizás hay un patrón en esas decisiones, lo que no es muy distinto de otros enfoques de aprendizaje automático", dice Ha.
"La idea es aprovechar el cerebro de los diseñadores y lograr que aporten su conocimiento del área mientras el diseño evoluciona", dice Carstensen.
En las demostraciones, el enfoque con un humano en el ciclo mejoró la facilidad de fabricación y aumentó en 39% la carga de pandeo lineal, con un alza modesta del tiempo total de diseño.
Por ahora, el sistema solo permite engrosar o adelgazar las estructuras dentro de las regiones identificadas. El equipo espera sumar otras formas de modificación en versiones futuras.
"La esperanza es que, al abordar estos obstáculos, abramos la optimización topológica a un público mucho más amplio, no solo en la industria sino también entre investigadores y estudiantes del mundo académico", dice Carstensen.
Del diseño a la estructura construida
Los investigadores ven su método como un complemento de los enfoques que dejan todo en manos de la IA.
"Sostenemos que hay espacio para ambos", dice Carstensen. "Si estás en una disciplina con muchos recursos computacionales, puedes usar el otro enfoque. Pero si realmente necesitas el aporte humano, puedes usar este enfoque colaborativo".
Sumar la opinión humana también aumenta la confianza en el resultado.
"En algunos contextos, los humanos tienen que tomar las decisiones finales antes de avanzar con el diseño definitivo", 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 solo de diseñar buenos artefactos; se trata de crear buenos artefactos que los humanos realmente acepten y fabriquen".
El trabajo recibió financiamiento parcial del MathWorks Engineering Fellowship Fund, de TATA Steel y del MIT Generative AI Impact Consortium.




