Согласно материалу MIT, исследователи из MIT, Университета Британской Колумбии (UBC) и других институтов представили систему WorldParticle — единую модель глубокого обучения, которая способна имитировать разные физические явления: от движения песка до сворачивания белков. Сейчас учёный, которому нужно смоделировать физический процесс, должен выбрать подходящий инструмент под конкретную задачу, например решатель для текучей воды или отдельную программу для укладки белковой молекулы. Каждый такой инструмент вручную написан под конкретные уравнения, которые описывают поведение процесса. Новая система заменяет это разрозненное набор решений одной архитектурой ИИ. Её можно использовать для процессов, которые обычно требуют отдельных симуляторов, например для жидкости, плещущейся о деформируемое твёрдое тело. По словам авторов, так можно быстрее и точнее смоделировать, как колеблющееся масло воздействует на эластичный клапан резервуара. Также система может помочь инженерам изучить, где и как сыпучие материалы, такие как песок или грунт, смещаются, когда их касается мягкий робот. WorldParticle представляет каждый моделируемый материал, от песчаной дюны до молекулы белка, как множество мелких частиц и предсказывает, куда эти частицы переместятся на каждом шаге. Поскольку модель обучается законам динамики, а не получает уравнение в программу, она может работать с материалами, силами и средами, которых не встречала при обучении. В долгосрочной перспективе исследователи надеются, что работа поможет учёным находить новые материалы и изучать физические процессы, которые сегодня нельзя эффективно исследовать существующими методами. Соавтор работы Питер Ичен Чен, бывший постдок MIT, а ныне доцент UBC, говорит, что команда хочет создать для симуляций аналог прорыва GPT. По его словам, сейчас для каждого физического явления приходится писать симулятор с нуля, а цель — базовая модель, которая работает сразу для любого сценария. Он подчёркивает, что это лишь первый шаг в этом направлении. Исследование будет представлено на конференции ACM SIGGRAPH в Азии. Авторы опирались на концепцию мировых моделей — мощных систем ИИ, которые изучают законы физического мира и предсказывают, как объекты или среда изменятся со временем под действием определённых условий. На этой основе команда создала единую архитектуру, способную моделировать несколько типов физических явлений. Гуо отмечает, что при изучении деформируемых тел и жидкостей обычно нужны два отдельных симулятора, а объединение в одну модель может позволить связать физику этих процессов и получить новые выводы. WorldParticle делит объект на тысячи или миллионы трёхмерных частиц и отслеживает их движение и скорость в пространстве и времени по лагранжеву представлению. Обычно при таком подходе учёные используют управляющее уравнение, которое затем приходится переводить в форму, понятную численному решателю, и повторять эти шаги для каждого материала и процесса. Авторы же создали нейронную сеть, которая учится решать управляющие уравнения в целом, что избавляет от необходимости проектировать новую модель и решатель для каждого случая. Сеть получает трёхмерные положения и физические свойства частиц и выдаёт их состояние на следующем кадре, предсказывая движение с шагом в одну секунду. Чен сравнивает архитектуру с ChatGPT: только вместо предсказания следующего слова система предсказывает, как переместятся частицы, шаг за шагом. Перед каждым шагом симуляции система выделяет внешние силы, действующие на систему, например импульсы от волны, ударяющей в морскую стену. После предсказания начальных состояний частиц WorldParticle возвращает эти силы в симуляцию и корректирует прогноз с учётом их влияния на поведение объекта. Благодаря этому система может обобщать знания на неизвестные материалы, меняющиеся условия среды и разные силы. Поскольку сложный объект может состоять из миллионов частиц, задача быстро становится слишком ресурсоёмкой. Чтобы упростить обработку, исследователи применили технику слияния и сжатия частиц, сохраняя при этом детали их поведения. Гуо признаёт, что для действительно универсальной и масштабируемой работы потребовалось много детальной инженерной работы и изменений архитектуры. Команда протестировала WorldParticle на шести физических явлениях, включая деформируемые объекты, сыпучие материалы и белки, и получила более высокую точность, чем численные методы моделирования. Например, система точно передала, как сыпучий объект оседает в кучу, тогда как некоторые базовые методы оставляли песчинки висящими в воздухе. По словам Гуо, метод также моделирует изменение структуры белков примерно в 100 раз быстрее численных симуляторов. Авторы считают, что универсальную платформу можно применить ко многим материалам и процессам, включая задачи манипуляции мягкими роботами, эволюцию РНК и астрофизические явления, например слияние галактик. В дальнейшем исследователи намерены адаптировать WorldParticle под эти и другие физические системы и создать полноценный универсальный конвейер симуляций для научных открытий. Гуо говорит, что объединение вычислений и науки может дать новые инструменты для поиска и объяснения физических явлений, а единая модель способна открыть множество открытий, которые сейчас трудно даже представить. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.