Die Simulation der physischen Realität war lange Zeit eine fragmentierte Angelegenheit. Ein Wissenschaftler, der Meereswellen modelliert, braucht einen Löser; Ein Computerbiologe, der eine Proteinfaltung beobachtet, braucht einen anderen; Ein Ingenieur, der Sanddünen untersucht, braucht einen dritten. Jedes Tool ist sorgfältig von Hand codiert und basiert auf den spezifischen Gleichungen, die ein bestimmtes Phänomen steuern.

Forscher am MIT, der University of British Columbia und einer Reihe kooperierender Institutionen haben nun ein System vorgestellt, das diesen Flickenteppich durch eine einzige Architektur ersetzen soll. Das System mit dem Namen WorldParticle verwendet laut MIT News ein einheitliches Deep-Learning-Modell, um ganz unterschiedliche physikalische Prozesse zu simulieren – von gleitendem Sand bis hin zu faltenden Proteinen. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.

Die Arbeit, ein Open-Access-Artikel mit dem Titel „WorldParticle: Unified World Simulation of Lagrange Particle Dynamics via Transformer“, wird auf der ACM SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asia präsentiert. Die Zusammenarbeit umfasst MIT, UBC, Georgia Tech, Inria, Meta, die University of Pennsylvania, die University of Utah, UCLA und die University of Hong Kong.

Ein „GPT-Moment“ für die Simulation

„Wir wollen einen GPT-Moment für die Simulation haben“, sagte Peter Yichen Chen, ein ehemaliger MIT-Postdoc, der jetzt Assistenzprofessor an der UBC und Mitautor der Arbeit ist, im Bericht von MIT News. „Jedes Mal, wenn Menschen einen Simulator für ein bestimmtes physikalisches Phänomen erstellen möchten, müssen sie ihn von Grund auf programmieren. Unsere Vision ist es, ein Basismodell zu haben, das für jedes Szenario, das Sie simulieren möchten, sofort einsatzbereit ist. Dies ist ein erster Schritt in diese Richtung.“

Der Verweis auf GPT ist kein Zufall. Die Architektur von WorldParticle basiert auf der gleichen sequentiellen Vorhersageidee, die auch großen Sprachmodellen zugrunde liegt. „Es ist eine ähnliche Architektur wie ChatGPT. Aber anstatt ein Wort nach dem anderen vorherzusagen, um einen Text zu schreiben, sagen wir voraus, wie sich diese Partikel Schritt für Schritt bewegen werden“, sagte Chen.

Zu Chen gesellen sich der Co-Korrespondent und Co-Hauptautor Minghao Guo, ein MIT-Postdoc, und die Co-Hauptautoren Caoliwen Wang und Siyuan Chen, Doktoranden an der UBC. Zum Team gehört auch Wojciech Matusik, ein MIT-Professor für Elektrotechnik und Informatik, der die Computational Design and Fabrication Group innerhalb des Computer Science and Artificial Intelligence Laboratory (CSAIL) leitet.

So funktioniert WorldParticle

Das System basiert auf einer seit langem bestehenden Idee in der Computerphysik: der Lagrange-Darstellung, in der ein Material als eine Ansammlung diskreter Teilchen beschrieben wird, deren Positionen und Geschwindigkeiten sich im Laufe der Zeit ändern. WorldParticle zerlegt jedes simulierte Objekt in Tausende oder Millionen winziger dreidimensionaler Punkte und verfolgt dann, wie sich diese Partikel durch Raum und Zeit bewegen.

Die Gleichungen lernen, nicht von Hand codieren

Die Abkehr von der Tradition liegt darin, was die Regeln schreibt. In einer klassischen Pipeline beginnt ein Wissenschaftler mit einer maßgeblichen Gleichung, die definiert, wie sich ein Material verhält, und wandelt diese komplexe Mathematik dann in eine Formel um, die ein numerischer Löser verarbeiten kann – wobei er die gesamte Übung für jedes neue Material oder jeden neuen Prozess wiederholt.

WorldParticle nutzt stattdessen ein neuronales Netzwerk, das lernt, maßgebende Gleichungen im Allgemeinen zu lösen. Das Netzwerk verwendet die 3D-Positionen und physikalischen Eigenschaften der Partikel als Eingaben und gibt ihre Positionen und Eigenschaften für den nächsten Frame der Simulation aus, um die Bewegung des Materials über Zeit und Raum in Schritten von einer Sekunde vorherzusagen.

Umgang mit äußeren Kräften

Materialien aus der realen Welt werden ständig durch Kräfte herumgedrückt, die ein Modell nicht vollständig vorhersehen kann – eine Meereswelle, die gegen eine Ufermauer schlägt, oder ein Fuß, der in den Sand drückt. Vor jedem Simulationsschritt separiert WorldParticle die auf das System einwirkenden externen Kräfte. Nach der Vorhersage der Anfangszustände der Partikel integriert das System diese Kräfte wieder in die Simulation und korrigiert seine Vorhersagen basierend darauf, wie sich die Kräfte auf das Verhalten des Objekts auswirken.

Diese Korrekturschleife, berichten die Forscher, ermöglicht es dem Modell, auf Materialien, Umgebungsbedingungen und Kräfte zu verallgemeinern, denen es während des Trainings nie begegnet ist.

Millionen von Partikeln komprimieren

Die Skalierung stellte die zentrale technische Herausforderung dar. Ein komplexes Objekt kann in Millionen von Partikeln zerfallen und das Rechenbudget des Modells schnell überfordern. Um die Verarbeitung beherrschbar zu halten, verwendete das Team eine Verschmelzungstechnik, die Partikel kombiniert und komprimiert und gleichzeitig feinkörnige Details in ihrem Verhalten beibehält.

„Wir mussten viel Detailarbeit leisten und viele Optimierungen an der Architektur vornehmen, damit sie wirklich verallgemeinerbar und skalierbar war“, sagte Guo gegenüber MIT News.

An sechs physikalischen Phänomenen getestet

Die Forscher demonstrierten WorldParticle an sechs verschiedenen physikalischen Phänomenen, darunter verformbare Objekte, körnige Materialien und Proteine, und berichteten von einer höheren Genauigkeit als etablierte numerische Simulationsmethoden.

Die Beispiele waren konkret. In einem granularen Test erfasste WorldParticle, wie ein Materialhaufen unter der Schwerkraft zusammenbricht, während einige Basismethoden Sandpartikel unwahrscheinlich in der Luft schweben ließen. Im Bereich der Molekulardynamik modellierte das System laut Guo etwa 100-mal schneller als numerische Simulatoren, wie sich Proteinstrukturen im Laufe der Zeit ändern.

Der praktische Nutzen geht in beide Richtungen: schnellere Ergebnisse für Probleme, die Wissenschaftler bereits untersuchen, und die Möglichkeit, Phänomene zu koppeln, für die zuvor separate Simulatoren erforderlich waren. Das Team hebt Szenarien wie das Schwappen von Flüssigkeit gegen einen verformbaren Feststoff hervor – zum Beispiel, wie schwappendes Öl ein elastisches Ventil in einem Lagertank belasten könnte –, bei denen die Flüssigkeit und die Struktur, gegen die sie drückt, gemeinsam modelliert werden müssen.

Von weichen Robotern zu verschmelzenden Galaxien

Die Allgemeingültigkeit des Frameworks deutet auf Anwendungen hin, die weit über die Computergrafik hinausgehen. Die Forscher sagen, dass der gleiche Ansatz bei der Manipulation von Soft-Robotern hilfreich sein könnte, bei denen eine nachgiebige Maschine vorhersagen muss, wie sich Sand oder Erde unter ihrer Berührung verschieben wird. Sie nennen auch die RNA-Evolution und sogar astrophysikalische Phänomene wie die Verschmelzung von Galaxien als Kandidatendomänen.

Längerfristig hofft das Team, dass die Arbeit Wissenschaftlern dabei hilft, neue Materialien zu entdecken und physikalische Prozesse zu erforschen, die mit bestehenden Simulationsmethoden nicht effektiv untersucht werden können.

„Wir sehen, dass die Vereinigung von Berechnung und Wissenschaft uns neue Einblicke und Werkzeuge gibt, um physikalische Phänomene zu entdecken oder einige unerklärliche physikalische Phänomene zu erklären“, sagte Guo. „Mit einem einheitlichen Modell könnten wir viele Entdeckungen erschließen, die wir uns nicht einmal vorstellen können.“

Ein erster Schritt, keine fertige Grundlage

Die Forscher legen Wert darauf, WorldParticle als einen Eröffnungsschritt und nicht als fertiges Grundmodell zu betrachten. Für die Zukunft planen sie, das System an weitere physikalische Systeme anzupassen und eine vollständige, universelle Simulationspipeline für wissenschaftliche Entdeckungen aufzubauen.

Wenn Ihnen dieser Bogen bekannt vorkommt, dann ist er beabsichtigt. Sprachmodelle dienten jahrelang als enge, aufgabenspezifische Systeme, bevor sie zu Allzweckwerkzeugen skaliert wurden – und das WorldParticle-Team geht ausdrücklich davon aus, dass physikalische Simulationen einen ähnlichen Weg einschlagen können, einen Partikelschritt nach dem anderen.

Dieser Artikel basiert auf einer Berichterstattung von Adam Zewe, veröffentlicht von MIT News am 9. November 2026.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →