ADAPT: modelo de IA com difusão reduz 7,3% do consumo de energia em HVAC

O que aconteceu

Pesquisadores publicaram no arXiv, em 20 de agosto de 2026, um estudo apresentando o ADAPT (Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control), um modelo de IA baseado em difusão generativa para controle de sistemas HVAC (aquecimento, ventilação e ar-condicionado).

Os experimentos foram realizados nos simuladores SemibuildingSim e Sinergym. Em cenários IID (distribuição idêntica aos dados de treinamento), o ADAPT reduziu o consumo de energia de HVAC em 7,3% e o desconforto dos ocupantes em 30,2% em comparação com os melhores modelos existentes (state-of-the-art).

Em cenários OOD (out-of-distribution) — situações não encontradas no treinamento, como novas estações e regiões climáticas — o modelo apresentou apenas degradação marginal de desempenho, superando significativamente os métodos atuais em robustez de transferência.

Contexto

Edifícios são responsáveis por aproximadamente um terço do consumo global de energia e das emissões de CO₂. A otimização dos sistemas de climatização é um dos caminhos mais diretos para cumprir os Objetivos de Desenvolvimento Sustentável da ONU (metas 11 e 13) ligados a cidades sustentáveis e ação climática.

O problema é que o controle inteligente de HVAC enfrenta barreiras técnicas significativas. A resposta termodinâmica dos ambientes é lenta e parcialmente observável — o calor se acumula e se dissipa de forma complexa, e instalar sensores densos em cada cômodo é caro e levanta questões de privacidade. Na prática, os operadores coletam dados limitados em um único regime operacional, mas esperam que o controle generalize para situações nunca vistas.

Métodos existentes de reinforcement learning para HVAC sofrem com inércia térmica implícita, dificuldade em prever dinâmicas de ocupação e erros cumulativos de predição que se amplificam fora dos dados de treino.

O ADAPT ataca esses problemas com uma abordagem diferente: usa um modelo generativo de difusão — a mesma arquitetura por trás de ferramentas como Stable Diffusion — mas adaptado para predizer trajectories físicas de temperatura em ambientes interiores.

Por que importa

O impacto prático é direto: edifícios mais eficientes energeticamente e mais confortáveis para quem os ocupa. Uma redução de 7,3% no consumo de energia de HVAC tem implicações econômicas relevantes para empresas, shoppings, hospitais e residências multifamiliares, onde climatização representa uma parcela significativa da conta de luz.

A redução de 30,2% no desconforto dos ocupantes é ainda mais relevante em ambientes corporativos e de saúde, onde produtividade e bem-estar estão diretamente ligados ao controle térmico.

Para o mercado brasileiro, onde o clima tropical e subtropical demanda uso intenso de ar-condicionado, especialmente em grandes centros urbanos, o potencial de economia é significativo. O setor de proptech e building automation pode se beneficiar desses avanços em até 3-5 anos, quando métodos similares saírem dos laboratórios.

Impacto

No curto prazo, o estudo apresenta uma prova de conceito robusta de que modelos de difusão podem ser aplicados a problemas de engenharia com restrições físicas. A regularização por balanço térmico multi-zona, desenvolvida pelos pesquisadores, permite que o modelo respeite as leis da termodinâmica sem exigir geometria conhecida do edifício ou parâmetros térmicos calibrados manualmente.

No médio prazo, isso pode acelerar a adoção de controles preditivos de HVAC em construções existentes, onde os operadores não dispõem de modelos detalhados de cada edifício. A robustez em cenários OOD significa que um sistema treinado em São Paulo poderia operar razoavelmente bem em Curitiba ou Belém sem retreinamento extensivo.

O que muda

A pesquisa reforça uma tendência: a fusão de modelos generativos com conhecimento de domínio físico. Diferente da IA generativa pura, que aprende padrões estatísticos, o ADAPT impõe restrições de conservação de energia, tornando as predições fisicamente plausíveis.

Isso sinaliza que o próximo salto em IA para controle industrial não virá apenas de mais dados ou modelos maiores, mas de arquiteturas que incorporam explicitamente as leis que governam os sistemas sendo controlados.

O que vem agora

O paper está disponível no arXiv como pré-print (2608.19804v1), o que significa que ainda não passou por revisão por pares formal. Os códigos do ADAPT não foram disponibilizados publicamente até o momento da publicação.

Os próximos passos prováveis incluem validação em edifícios reais — os experimentos atuais foram conduzidos em simuladores — e comparação com sistemas de controle comercialmente disponíveis. A integração com plataformas existentes de building management system (BMS) também será um teste importante de viabilidade.

Para empresas do setor de automação predial, o estudo serve como referência de que a IA baseada em difusão já está sendo desenvolvida para aplicação prática em eficiência energética.