شبیه‌سازی واقعیت فیزیکی مدت‌هاست که یک امر پراکنده بوده است. دانشمندی که امواج اقیانوس را مدل می کند به یک حل کننده نیاز دارد. یک زیست شناس محاسباتی در حال تماشای یک تا شدن پروتئین به دیگری نیاز دارد. یک مهندس در حال مطالعه تپه های شنی به یک سوم نیاز دارد. هر ابزاری به سختی در اطراف معادلات خاصی که بر یک پدیده باریک حاکم است کدگذاری شده است.

محققان MIT، دانشگاه بریتیش کلمبیا و مجموعه ای از موسسات همکار اکنون از سیستمی رونمایی کرده اند که برای جایگزینی آن تکه تکه با یک معماری واحد طراحی شده است. به گزارش MIT News، این سیستم که WorldParticle نام دارد، از یک مدل یادگیری عمیق یکپارچه برای شبیه سازی فرآیندهای فیزیکی بسیار متفاوت - از ماسه لغزنده تا پروتئین های تاشو - استفاده می کند. For more context on this story, see our ongoing AI news.

این اثر، یک مقاله با دسترسی آزاد با عنوان "WorldParticle: World Simulation Unified World of Lagrangian Particle Dynamics از طریق ترانسفورماتور" در کنفرانس و نمایشگاه ACM SIGGRAPH در زمینه گرافیک کامپیوتری و تکنیک های تعاملی در آسیا ارائه خواهد شد. این همکاری شامل MIT، UBC، Georgia Tech، Inria، Meta، دانشگاه پنسیلوانیا، دانشگاه یوتا، UCLA و دانشگاه هنگ کنگ است.

یک "لحظه GPT" برای شبیه سازی

در گزارش MIT News، پیتر یچن چن، فوق دکترای سابق MIT که اکنون استادیار دانشگاه UBC و نویسنده همکار مقاله است، گفت: "ما می خواهیم یک لحظه GPT برای شبیه سازی داشته باشیم." "هر بار که مردم می خواهند یک شبیه ساز برای یک پدیده فیزیکی خاص بسازند، باید آن را از ابتدا کدگذاری کنند. چشم انداز ما این است که یک مدل پایه داشته باشیم که برای هر سناریویی که می خواهید شبیه سازی کنید، خارج از جعبه کار کند. این اولین گام در این مسیر است."

ارجاع به GPT تصادفی نیست. معماری WorldParticle همان ایده پیش‌بینی متوالی را وام می‌گیرد که مدل‌های زبان بزرگ را تقویت می‌کند. چن گفت: "معماری مشابه ChatGPT است. اما به جای پیش بینی یک کلمه در یک زمان برای نوشتن یک قطعه متن، ما در حال پیش بینی نحوه حرکت این ذرات در یک زمان هستیم."

مینگهائو گوئو، یک فوق دکترای MIT، و نویسندگان همکار، کائولیون وانگ و سیوان چن، دانشجویان فارغ التحصیل UBC، به چن ملحق می شوند. این تیم همچنین شامل Wojciech Matusik، استاد MIT مهندسی برق و علوم کامپیوتر است که گروه طراحی و ساخت محاسباتی را در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) رهبری می‌کند.

چگونه WorldParticle کار می کند

این سیستم بر یک ایده قدیمی در فیزیک محاسباتی استوار است: نمایش لاگرانژی، که در آن یک ماده به عنوان مجموعه ای از ذرات گسسته توصیف می شود که موقعیت ها و سرعت های آنها در طول زمان تغییر می کند. WorldParticle هر جسمی را که شبیه سازی می کند به هزاران یا میلیون ها نقطه سه بعدی کوچک می شکند، سپس نحوه حرکت آن ذرات را در فضا و زمان ردیابی می کند.

معادلات را یاد بگیرید، نه کدگذاری دستی آنها

خروج از سنت در آن چیزی است که قوانین را می نویسد. در یک خط لوله کلاسیک، یک دانشمند با یک معادله حاکم شروع می‌کند که نحوه رفتار یک ماده را تعریف می‌کند، سپس آن ریاضیات پیچیده را به فرمولی تبدیل می‌کند که یک حل‌کننده عددی می‌تواند آن را مدیریت کند – تکرار کل تمرین برای هر ماده یا فرآیند جدید.

WorldParticle در عوض از یک شبکه عصبی استفاده می کند که حل معادلات حاکم را به طور کلی می آموزد. شبکه موقعیت‌های سه‌بعدی و خواص فیزیکی ذرات را به‌عنوان ورودی می‌گیرد و موقعیت‌ها و ویژگی‌های آنها را برای فریم بعدی شبیه‌سازی، پیش‌بینی می‌کند و حرکت مواد را در طول زمان و مکان با افزایش یک ثانیه‌ای پیش‌بینی می‌کند.

مدیریت نیروهای خارجی

مواد دنیای واقعی دائماً توسط نیروهایی تحت فشار قرار می‌گیرند که یک مدل نمی‌تواند به طور کامل آن را پیش‌بینی کند - برخورد موج اقیانوس به دیواره دریا، یا فشار پا به ماسه. قبل از هر مرحله شبیه سازی، WorldParticle نیروهای خارجی وارد بر سیستم را جدا می کند. پس از پیش‌بینی حالت‌های اولیه ذرات، سیستم آن نیروها را دوباره در شبیه‌سازی ادغام می‌کند و پیش‌بینی‌های خود را بر اساس نحوه تأثیر نیروها بر رفتار جسم تصحیح می‌کند.

محققان گزارش می‌دهند که این حلقه تصحیح چیزی است که به مدل اجازه می‌دهد به مواد، شرایط محیطی و نیروهایی که هرگز در طول آموزش با آنها برخورد نکرده است تعمیم دهد.

فشرده سازی میلیون ها ذره

مقیاس چالش مهندسی مرکزی را مطرح کرد. یک جسم پیچیده می تواند به میلیون ها ذره تبدیل شود و به سرعت بودجه محاسباتی مدل را تحت الشعاع قرار دهد. برای اینکه پردازش قابل انعطاف باشد، تیم از تکنیک ادغام استفاده کرد که ذرات را ترکیب و فشرده می کند و در عین حال جزئیات ریز دانه را در رفتار آنها حفظ می کند.

گوئو به MIT News گفت: «ما باید مهندسی دقیق زیادی انجام می‌دادیم و تغییرات زیادی در معماری به کار می‌رفتیم تا واقعاً قابل تعمیم و مقیاس‌پذیری باشد.

تست شده در برابر شش پدیده فیزیکی

محققان WorldParticle را بر روی شش پدیده فیزیکی مختلف از جمله اجسام قابل تغییر شکل، مواد دانه‌دار و پروتئین‌ها نشان دادند که دقت بالاتری را نسبت به روش‌های شبیه‌سازی عددی ثابت گزارش کردند.

مثال ها عینی بود. در یک آزمایش دانه‌ای، WorldParticle چگونگی فروپاشی توده‌ای از مواد تحت نیروی گرانش را به تصویر کشید، در حالی که برخی از روش‌های پایه، ذرات شن را به‌طور نامحتملی در هوا شناور می‌کردند. به گفته Guo، در دینامیک مولکولی، این سیستم نحوه تغییر ساختارهای پروتئین در طول زمان را تقریباً 100 برابر سریعتر از شبیه سازهای عددی مدل کرد.

نتیجه عملی در هر دو جهت است: نتایج سریع‌تر برای مشکلاتی که دانشمندان قبلاً مطالعه کرده‌اند، و توانایی جفت کردن پدیده‌هایی که قبلاً شبیه‌سازهای جداگانه می‌خواستند. این تیم سناریوهایی مانند ریزش سیال در برابر یک جامد قابل تغییر شکل را برجسته می‌کند - به عنوان مثال، این که چگونه روغن ریزش ممکن است به یک دریچه الاستیک در داخل مخزن ذخیره فشار وارد کند - جایی که سیال و ساختاری که به آن فشار می‌آورد باید با هم مدل شوند.

از ربات های نرم تا ادغام کهکشان ها

کلیت چارچوب به برنامه هایی فراتر از گرافیک کامپیوتری اشاره دارد. محققان می‌گویند که همین رویکرد می‌تواند وظایف دستکاری ربات‌های نرم را که در آن یک ماشین سازگار باید پیش‌بینی کند که چگونه ماسه یا خاک تحت لمس آن جابه‌جا می‌شود، اطلاع رسانی کند. آنها همچنین تکامل RNA و حتی پدیده های اخترفیزیکی مانند ادغام کهکشان ها را به عنوان حوزه های نامزد فهرست می کنند.

در بلندمدت، تیم امیدوار است این کار به دانشمندان کمک کند مواد جدید را کشف کنند و فرآیندهای فیزیکی را که روش‌های شبیه‌سازی موجود نمی‌توانند به طور موثر مطالعه کنند، کشف کنند.

گوئو گفت: «ما شاهد یکی شدن محاسبات و علم هستیم که به ما بینش و ابزار جدیدی برای کشف پدیده های فیزیکی یا توضیح برخی از پدیده های فیزیکی غیرقابل توضیح می دهد. با یک مدل یکپارچه، می‌توانیم بسیاری از اکتشافات را که حتی نمی‌توانیم تصور کنیم، باز کنیم.»

یک قدم اول، نه یک پایه تمام شده

محققان مراقب هستند تا WorldParticle را به عنوان یک حرکت افتتاحیه به جای یک مدل پایه تکمیل شده، قاب بندی کنند. با حرکت رو به جلو، آنها قصد دارند سیستم را با سیستم های فیزیکی بیشتری تطبیق دهند و به سمت یک خط لوله شبیه سازی همه منظوره برای اکتشافات علمی بسازند.

اگر آن قوس آشنا به نظر می رسد، به دلیل طراحی است. مدل‌های زبانی سال‌ها را به‌عنوان سیستم‌های باریک و برای هر کار سپری کرده‌اند، قبل از اینکه به ابزارهای همه‌منظوره تبدیل شوند - و تیم WorldParticle به صراحت شرط می‌بندد که شبیه‌سازی فیزیکی می‌تواند مسیری مشابه، یک مرحله ذره‌ای را دنبال کند.

*این مقاله بر اساس گزارش آدام زوی است که توسط MIT News در 9 نوامبر 2026 منتشر شده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →