Mensimulasikan realitas fisik telah lama menjadi urusan yang terfragmentasi. Seorang ilmuwan yang memodelkan gelombang laut membutuhkan satu pemecah masalah; seorang ahli biologi komputasi yang mengamati lipatan protein membutuhkan lipatan protein lainnya; seorang insinyur yang mempelajari bukit pasir membutuhkan yang ketiga. Setiap alat dengan susah payah diberi kode berdasarkan persamaan spesifik yang mengatur satu fenomena sempit.
Para peneliti di MIT, Universitas British Columbia, dan sejumlah lembaga yang berkolaborasi kini telah meluncurkan sistem yang dirancang untuk menggantikan tambal sulam tersebut dengan arsitektur tunggal. Sistem tersebut, yang disebut WorldParticle, menggunakan satu model pembelajaran mendalam terpadu untuk mensimulasikan berbagai proses fisik – mulai dari menggeser pasir hingga melipat protein – menurut MIT News. For more context on this story, see our ongoing more AI stories.
Karya tersebut, sebuah makalah akses terbuka berjudul "WorldParticle: Unified World Simulasi Dinamika Partikel Lagrangian melalui Transformer," akan dipresentasikan pada Konferensi dan Pameran ACM SIGGRAPH tentang Grafik Komputer dan Teknik Interaktif di Asia. Kolaborasi ini mencakup MIT, UBC, Georgia Tech, Inria, Meta, University of Pennsylvania, University of Utah, UCLA dan University of Hong Kong.
'Momen GPT' untuk Simulasi
“Kami ingin memiliki momen GPT untuk simulasi,” kata Peter Yichen Chen, mantan postdoc MIT yang kini menjadi asisten profesor di UBC dan salah satu penulis makalah tersebut, dalam laporan MIT News. “Setiap kali orang ingin membuat simulator untuk fenomena fisik tertentu, mereka perlu mengkodekannya dari awal. Visi kami adalah memiliki model dasar yang dapat langsung digunakan untuk skenario apa pun yang ingin Anda simulasikan. Ini adalah langkah pertama ke arah itu.”
Referensi ke GPT bukanlah suatu kebetulan. Arsitektur WorldParticle meminjam ide prediksi sekuensial yang sama yang mendukung model bahasa besar. “Arsitekturnya mirip dengan ChatGPT. Namun alih-alih memprediksi satu kata dalam satu waktu untuk menulis sebuah teks, kami memprediksi bagaimana partikel-partikel ini akan bergerak, selangkah demi selangkah,” kata Chen.
Chen bergabung dengan rekan penulis utama dan koresponden Minghao Guo, seorang postdoc MIT, dan rekan penulis utama Caoliwen Wang dan Siyuan Chen, mahasiswa pascasarjana di UBC. Tim tersebut juga termasuk Wojciech Matusik, seorang profesor teknik elektro dan ilmu komputer MIT yang memimpin Kelompok Desain dan Fabrikasi Komputasi di Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL).
Cara Kerja Partikel Dunia
Sistem ini bertumpu pada gagasan lama dalam fisika komputasi: representasi Lagrangian, di mana suatu material digambarkan sebagai kumpulan partikel diskrit yang posisi dan kecepatannya berubah seiring waktu. WorldParticle memecah setiap objek yang disimulasikannya menjadi ribuan atau jutaan titik tiga dimensi kecil, lalu melacak bagaimana partikel tersebut bergerak melalui ruang dan waktu.
Mempelajari Persamaan, Bukan Mengkodekannya dengan Tangan
Penyimpangan dari tradisi terletak pada apa yang menulis aturannya. Dalam pipeline klasik, seorang ilmuwan memulai dengan persamaan yang menentukan bagaimana suatu material berperilaku, kemudian mengubah matematika kompleks tersebut menjadi rumus yang dapat ditangani oleh pemecah numerik — mengulangi seluruh latihan untuk setiap material atau proses baru.
WorldParticle malah menggunakan jaringan saraf yang belajar memecahkan persamaan yang mengatur secara umum. Jaringan mengambil posisi 3D dan sifat fisik partikel sebagai input dan output posisi dan propertinya untuk kerangka simulasi berikutnya, memprediksi pergerakan material sepanjang waktu dan ruang dalam peningkatan satu detik.
Menangani Kekuatan Eksternal
Material di dunia nyata terus-menerus didorong oleh kekuatan yang tidak dapat diantisipasi sepenuhnya oleh model – gelombang laut yang menghantam tembok laut, atau kaki yang menekan pasir. Sebelum setiap langkah simulasi, WorldParticle memisahkan gaya eksternal yang bekerja pada sistem. Setelah memprediksi keadaan awal partikel, sistem mengintegrasikan kembali gaya-gaya tersebut ke dalam simulasi, mengoreksi prediksinya berdasarkan bagaimana gaya tersebut memengaruhi perilaku objek.
Lingkaran koreksi tersebut, lapor para peneliti, memungkinkan model untuk menggeneralisasi materi, kondisi lingkungan, dan kekuatan yang tidak pernah ditemui selama pelatihan.
Mengompresi Jutaan Partikel
Skala merupakan tantangan teknik utama. Sebuah objek yang kompleks dapat pecah menjadi jutaan partikel, sehingga dengan cepat membebani anggaran komputasi model. Agar pemrosesan tetap mudah dilakukan, tim menggunakan teknik penggabungan yang menggabungkan dan memampatkan partikel sambil menjaga detail halus dalam perilakunya.
“Kami perlu melakukan banyak rekayasa terperinci dan menerapkan banyak penyesuaian pada arsitektur agar benar-benar dapat digeneralisasikan dan diperluas,” kata Guo kepada MIT News.
Diuji Terhadap Enam Fenomena Fisik
Para peneliti mendemonstrasikan WorldParticle pada enam fenomena fisik yang berbeda, termasuk objek yang dapat dideformasi, bahan granular, dan protein, melaporkan akurasi yang lebih tinggi daripada metode simulasi numerik yang sudah ada.
Contoh-contohnya konkrit. Dalam satu pengujian granular, WorldParticle menangkap bagaimana tumpukan material runtuh karena gravitasi, sementara beberapa metode dasar membuat partikel pasir mengambang di udara. Pada dinamika molekuler, sistem ini memodelkan bagaimana struktur protein berubah seiring waktu sekitar 100 kali lebih cepat dibandingkan simulator numerik, menurut Guo.
Manfaat praktisnya ada dalam dua arah: hasil yang lebih cepat untuk masalah yang sudah dipelajari para ilmuwan, dan kemampuan untuk menggabungkan fenomena yang sebelumnya memerlukan simulator terpisah. Tim menyoroti skenario seperti tumpahan cairan terhadap benda padat yang dapat berubah bentuk – misalnya, bagaimana tumpahan minyak dapat menekan katup elastis di dalam tangki penyimpanan – di mana cairan dan struktur yang didorongnya harus dimodelkan bersama.
Dari Robot Lunak hingga Penggabungan Galaksi
Kerangka umum ini menunjuk pada aplikasi yang jauh melampaui grafik komputer. Para peneliti mengatakan pendekatan yang sama dapat menginformasikan tugas manipulasi robot lunak, di mana mesin yang patuh harus memprediksi bagaimana pasir atau tanah akan bergeser saat disentuh. Mereka juga mencantumkan evolusi RNA dan bahkan fenomena astrofisika seperti penggabungan galaksi sebagai kandidat domain.
Dalam jangka panjang, tim berharap penelitian ini dapat membantu para ilmuwan menemukan material baru dan mengeksplorasi proses fisik yang tidak dapat dipelajari secara efektif oleh metode simulasi yang ada.
“Kami melihat penyatuan komputasi dan sains memberi kita wawasan dan alat baru untuk menemukan fenomena fisik atau menjelaskan beberapa fenomena fisik yang tidak dapat dijelaskan,” kata Guo. “Dengan model terpadu, kita dapat membuka banyak penemuan yang bahkan tidak dapat kita bayangkan.”
Langkah Pertama, Bukan Fondasi yang Selesai
Para peneliti berhati-hati dalam membingkai WorldParticle sebagai langkah pembuka dan bukan sebagai model fondasi yang lengkap. Ke depannya, mereka berencana untuk mengadaptasi sistem tersebut ke sistem yang lebih bersifat fisik dan membangun jalur simulasi yang lengkap dan bertujuan umum untuk penemuan ilmiah.
Jika busur itu terdengar familier, itu memang memang disengaja. Model bahasa menghabiskan waktu bertahun-tahun sebagai sistem yang sempit dan per tugas sebelum diperluas ke alat untuk keperluan umum — dan tim WorldParticle secara eksplisit bertaruh bahwa simulasi fisik dapat mengikuti jalur yang sama, selangkah demi selangkah.
Artikel ini berdasarkan laporan Adam Zewe yang diterbitkan oleh MIT News pada 9 November 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
