Pesquisadores do MIT apresentaram, em estudo publicado em 14 de setembro de 2026 na IEEE Transactions on Pattern Analysis and Machine Intelligence, uma técnica que ajuda modelos generativos de inteligência artificial a encontrar soluções que atendam a requisitos rígidos de segurança, físicos ou específicos de tarefas, sem comprometer a qualidade dos resultados. Segundo a instituição, o método, chamado HardFlow, aplica as restrições apenas ao resultado final, e não a cada etapa intermediária da geração, e funciona no momento da implantação, sem exigir retreinamento dos modelos.

O trabalho é assinado por Navid Azizan, professor associado do Departamento de Engenharia Mecânica e do IDSS e investigador principal do LIDS, como autor sênior, ao lado do primeiro autor Zeyang Li e de Kaveh Alim, ambos estudantes de pós-graduação. A abordagem reformula a amostragem com restrições rígidas como um problema de otimização de trajetória, usando ferramentas de controle ótimo.

Nos experimentos, que abrangeram manipulação robótica, navegação em labirintos e edição de imagens guiada por texto, o HardFlow teria atingido satisfação total das restrições e superado métodos de referência em qualidade da solução, com tempo de computação comparável ou inferior ao da maioria dos concorrentes. Os autores citam como exemplo um manipulador robótico que evitou obstáculos e encontrou o caminho mais rápido até o alvo. A pesquisa é experimental e não constitui aplicação clínica ou recomendação de uso.