La simulation de la réalité physique a longtemps été une affaire fragmentée. Un scientifique modélisant les vagues océaniques a besoin d’un seul solveur ; un biologiste computationnel qui surveille un repli protéique en a besoin d’un autre ; un ingénieur étudiant les dunes de sable en a besoin d’un troisième. Chaque outil est soigneusement codé à la main autour des équations spécifiques qui régissent un phénomène précis.
Des chercheurs du MIT, de l'Université de la Colombie-Britannique et de plusieurs institutions collaboratrices ont dévoilé un système conçu pour remplacer ce patchwork par une architecture unique. Le système, appelé WorldParticle, utilise un modèle d'apprentissage en profondeur unifié pour simuler des processus physiques très différents – du glissement du sable au repliement des protéines – selon MIT News. Pour plus de contexte sur cette histoire, consultez notre tendances IA.
Le travail, un article en libre accès intitulé "WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer", sera présenté à la conférence et exposition ACM SIGGRAPH sur l'infographie et les techniques interactives en Asie. La collaboration s'étend du MIT, de l'UBC, de Georgia Tech, d'Inria, de Meta, de l'Université de Pennsylvanie, de l'Université de l'Utah, de l'UCLA et de l'Université de Hong Kong.
Un « moment GPT » pour la simulation
"Nous voulons avoir un moment GPT pour la simulation", a déclaré Peter Yichen Chen, un ancien postdoctorant du MIT qui est maintenant professeur adjoint à l'UBC et co-auteur correspondant de l'article, dans le rapport de MIT News. "Chaque fois que les gens veulent construire un simulateur pour un phénomène physique particulier, ils doivent le coder à partir de zéro. Notre vision est d'avoir un modèle de base qui fonctionne immédiatement pour tout scénario que vous souhaitez simuler. C'est un premier pas dans cette direction."
La référence à GPT n’est pas fortuite. L'architecture de WorldParticle emprunte la même idée de prédiction séquentielle qui alimente les grands modèles de langage. "C'est une architecture similaire à ChatGPT. Mais au lieu de prédire un mot à la fois pour écrire un morceau de texte, nous prédisons comment ces particules se déplaceront, une étape à la fois", a déclaré Chen.
Chen est rejoint par l'auteur co-correspondant et co-principal Minghao Guo, postdoctorant au MIT, et par les co-auteurs principaux Caoliwen Wang et Siyuan Chen, étudiants diplômés à l'UBC. L'équipe comprend également Wojciech Matusik, professeur de génie électrique et d'informatique au MIT, qui dirige le groupe de conception et de fabrication informatiques au sein du laboratoire d'informatique et d'intelligence artificielle (CSAIL).
Comment fonctionne WorldParticle
Le système repose sur une idée de longue date en physique computationnelle : la représentation lagrangienne, dans laquelle un matériau est décrit comme un ensemble de particules discrètes dont les positions et les vitesses évoluent dans le temps. WorldParticle divise chaque objet qu'il simule en milliers ou millions de minuscules points tridimensionnels, puis suit la façon dont ces particules se déplacent dans l'espace et le temps.
Apprendre les équations, pas les coder manuellement
La rupture avec la tradition réside dans ce qui écrit les règles. Dans un pipeline classique, un scientifique commence par une équation directrice qui définit le comportement d'un matériau, puis convertit ces mathématiques complexes en une formule qu'un solveur numérique peut gérer, en répétant l'intégralité de l'exercice pour chaque nouveau matériau ou processus.
WorldParticle utilise à la place un réseau neuronal qui apprend à résoudre les équations gouvernantes en général. Le réseau prend les positions 3D et les propriétés physiques des particules comme entrées et génère leurs positions et propriétés pour l'image suivante de la simulation, prédisant le mouvement du matériau dans le temps et dans l'espace par incréments d'une seconde.
Gestion des forces externes
Les matériaux du monde réel sont constamment déplacés par des forces qu'un modèle ne peut pas entièrement anticiper : une vague océanique s'écrasant contre une digue ou un pied enfoncé dans le sable. Avant chaque étape de simulation, WorldParticle sépare les forces externes agissant sur le système. Après avoir prédit les états initiaux des particules, le système réintègre ces forces dans la simulation, corrigeant ses prédictions en fonction de la manière dont les forces affectent le comportement de l'objet.
Selon les chercheurs, cette boucle de correction permet au modèle de se généraliser aux matériaux, aux conditions environnementales et aux forces qu'il n'a jamais rencontrées lors de la formation.
Comprimer des millions de particules
L’échelle constituait le défi d’ingénierie central. Un objet complexe peut se briser en millions de particules, dépassant rapidement le budget de calcul du modèle. Pour que le traitement reste fluide, l'équipe a utilisé une technique de fusion qui combine et comprime les particules tout en préservant les détails fins de leur comportement.
"Nous avons dû faire beaucoup d'ingénierie détaillée et apporter de nombreuses modifications à l'architecture pour qu'elle soit véritablement généralisable et évolutive", a déclaré Guo à MIT News.
Testé contre six phénomènes physiques
Les chercheurs ont démontré WorldParticle sur six phénomènes physiques différents, notamment des objets déformables, des matériaux granulaires et des protéines, avec une précision supérieure à celle des méthodes de simulation numérique établies.
Les exemples étaient concrets. Dans un test granulaire, WorldParticle a capturé comment un tas de matériaux s'effondre sous l'effet de la gravité, tandis que certaines méthodes de base laissaient des particules de sable flotter de manière improbable dans l'air. En termes de dynamique moléculaire, le système a modélisé la façon dont les structures des protéines changent au fil du temps environ 100 fois plus rapidement que les simulateurs numériques, selon Guo.
Les avantages pratiques vont dans les deux sens : des résultats plus rapides pour les problèmes déjà étudiés par les scientifiques et la possibilité de coupler des phénomènes qui nécessitaient auparavant des simulateurs séparés. L’équipe met en évidence des scénarios tels que le clapotis d’un fluide contre un solide déformable – par exemple, comment le clapotis du pétrole pourrait contraindre une valve élastique à l’intérieur d’un réservoir de stockage – où le fluide et la structure contre laquelle il pousse doivent être modélisés ensemble.
Des robots mous à la fusion des galaxies
La généralité du framework laisse entrevoir des applications bien au-delà de l'infographie. Les chercheurs affirment que la même approche pourrait éclairer les tâches de manipulation de robots souples, dans lesquelles une machine conforme doit prédire comment le sable ou le sol se déplacera sous son contact. Ils répertorient également l’évolution de l’ARN et même des phénomènes astrophysiques tels que la fusion des galaxies comme domaines candidats.
À plus long terme, l’équipe espère que ces travaux aideront les scientifiques à découvrir de nouveaux matériaux et à explorer des processus physiques que les méthodes de simulation existantes ne peuvent pas étudier efficacement.
"Nous constatons que l'unification du calcul et de la science nous donne de nouvelles connaissances et de nouveaux outils pour découvrir des phénomènes physiques ou expliquer certains phénomènes physiques inexplicables", a déclaré Guo. "Avec un modèle unifié, nous pourrions débloquer de nombreuses découvertes que nous ne pouvons même pas imaginer."
Un premier pas, pas une fondation finie
Les chercheurs prennent soin de présenter WorldParticle comme un mouvement d’ouverture plutôt que comme un modèle de fondation achevé. À l’avenir, ils prévoient d’adapter le système à des systèmes plus physiques et de construire un pipeline de simulation complet et polyvalent pour la découverte scientifique.
Si cet arc vous semble familier, c’est intentionnel. Les modèles de langage ont passé des années en tant que systèmes étroits par tâche avant de devenir des outils à usage général – et l’équipe de WorldParticle parie explicitement que la simulation physique peut suivre un chemin similaire, une étape de particule à la fois.
Cet article est basé sur un reportage d'Adam Zewe, publié par MIT News le 9 novembre 2026.---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
