Symulowanie rzeczywistości fizycznej od dawna jest sprawą fragmentaryczną. Naukowiec modelujący fale oceaniczne potrzebuje jednego rozwiązania; biolog obliczeniowy obserwujący fałdowanie białek potrzebuje innego; inżynier badający wydmy potrzebuje trzeciego. Każde narzędzie jest pieczołowicie ręcznie kodowane wokół konkretnych równań rządzących jednym wąskim zjawiskiem.

Naukowcy z MIT, Uniwersytetu Kolumbii Brytyjskiej i szereg współpracujących instytucji zaprezentowali system zaprojektowany w celu zastąpienia tej mozaiki jedną architekturą. Według MIT News system o nazwie WorldParticle wykorzystuje jeden ujednolicony model głębokiego uczenia się do symulacji bardzo różnych procesów fizycznych – od przesuwającego się piasku po składanie białek. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.

Praca ta, ogólnodostępny artykuł zatytułowany „WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer”, zostanie zaprezentowana na konferencji i wystawie ACM SIGGRAPH poświęconej grafice komputerowej i technikom interaktywnym w Azji. Współpraca obejmuje MIT, UBC, Georgia Tech, Inria, Meta, University of Pennsylvania, University of Utah, UCLA i University of Hong Kong.

„Moment GPT” dla symulacji

„Chcemy mieć moment GPT na symulację” – powiedział w raporcie MIT News Peter Yichen Chen, były postdoc z MIT, a obecnie adiunkt na UBC i współautor artykułu do korespondencji. „Za każdym razem, gdy ludzie chcą zbudować symulator konkretnego zjawiska fizycznego, muszą go napisać od podstaw. Naszą wizją jest posiadanie modelu podstawowego, który będzie działać od razu po wyjęciu z pudełka dla każdego scenariusza, który chcesz symulować. To pierwszy krok w tym kierunku”.

Odniesienie do GPT nie jest przypadkowe. Architektura WorldParticle zapożycza tę samą koncepcję przewidywania sekwencyjnego, która napędza duże modele językowe. „To podobna architektura do ChatGPT. Zamiast jednak przewidywać jedno słowo na raz w celu napisania fragmentu tekstu, przewidujemy, jak te cząstki będą się poruszać, krok po kroku” – powiedział Chen.

Do Chena dołączają współautorzy i współprzewodniczący Minghao Guo, postdoc z MIT, oraz współautorzy Caoliwen Wang i Siyuan Chen, absolwenci UBC. W skład zespołu wchodzi także Wojciech Matusik, profesor elektrotechniki i informatyki w MIT, który kieruje Zespołem Projektowania i Wykonania Obliczeniowego w Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL).

Jak działa WorldParticle

System opiera się na ugruntowanej koncepcji fizyki obliczeniowej: reprezentacji Lagrangianu, w której materiał jest opisany jako zbiór odrębnych cząstek, których położenie i prędkość zmieniają się w czasie. WorldParticle dzieli każdy symulowany obiekt na tysiące lub miliony maleńkich trójwymiarowych kropek, a następnie śledzi ruch tych cząstek w przestrzeni i czasie.

Nauka równań, a nie ręczne ich kodowanie

Odejście od tradycji leży w tym, co pisze zasady. W przypadku klasycznego potoku naukowiec zaczyna od równania rządzącego, które określa zachowanie materiału, a następnie przekształca tę złożoną matematykę na wzór, z którym może sobie poradzić rozwiązanie numeryczne, powtarzając całe ćwiczenie dla każdego nowego materiału lub procesu.

Zamiast tego WorldParticle korzysta z sieci neuronowej, która ogólnie uczy się rozwiązywać równania rządzące. Sieć przyjmuje pozycje 3D i właściwości fizyczne cząstek jako dane wejściowe i wyprowadza ich pozycje i właściwości na potrzeby następnej klatki symulacji, przewidując ruch materiału w czasie i przestrzeni z przyrostami jednosekundowymi.

Postępowanie z siłami zewnętrznymi

Rzeczywiste materiały są nieustannie poddawane działaniu sił, których model nie jest w stanie w pełni przewidzieć — fala oceaniczna uderzająca w falochron lub stopa wbijająca się w piasek. Przed każdym etapem symulacji WorldParticle oddziela siły zewnętrzne działające na system. Po przewidzeniu stanów początkowych cząstek system ponownie uwzględnia te siły w symulacji, korygując swoje przewidywania w oparciu o wpływ sił na zachowanie obiektu.

Naukowcy podają, że ta pętla korekcyjna umożliwia uogólnianie modelu na materiały, warunki środowiskowe i siły, których nigdy nie napotkał podczas treningu.

Kompresja milionów cząstek

Skala stanowiła główne wyzwanie inżynieryjne. Złożony obiekt może rozbić się na miliony cząstek, szybko przekraczając budżet obliczeniowy modelu. Aby przetwarzanie było łatwe, zespół zastosował technikę łączenia, która łączy i kompresuje cząstki, zachowując jednocześnie drobne szczegóły w ich zachowaniu.

„Musieliśmy przeprowadzić wiele szczegółowych prac inżynieryjnych i wprowadzić wiele poprawek w architekturze, aby można było ją naprawdę uogólnić i skalować” – Guo powiedział MIT News.

Testowany pod kątem sześciu zjawisk fizycznych

Naukowcy zademonstrowali WorldParticle w odniesieniu do sześciu różnych zjawisk fizycznych, w tym obiektów odkształcalnych, materiałów ziarnistych i białek, wykazując wyższą dokładność niż ustalone metody symulacji numerycznej.

Przykłady były konkretne. W jednym z szczegółowych testów WorldParticle uchwycił, jak stos materiału zapada się pod wpływem grawitacji, podczas gdy w przypadku niektórych podstawowych metod cząsteczki piasku unoszą się w powietrzu w nieprawdopodobny sposób. Według Guo, wykorzystując dynamikę molekularną, system modelował zmiany struktur białek w czasie mniej więcej 100 razy szybciej niż w przypadku symulatorów numerycznych.

Praktyczna korzyść działa w obu kierunkach: szybsze wyniki w przypadku problemów, które naukowcy już badali, oraz możliwość łączenia zjawisk, które wcześniej wymagały oddzielnych symulatorów. Zespół zwraca uwagę na takie scenariusze, jak rozpryskiwanie się płynu na odkształcalną substancję stałą — na przykład rozpryskiwanie się oleju może powodować naprężenie elastycznego zaworu wewnątrz zbiornika magazynowego — gdzie płyn i struktura, na którą napiera, muszą zostać wspólnie modelowane.

Od miękkich robotów po łączenie galaktyk

Ogólność frameworka wskazuje na zastosowania wykraczające poza grafikę komputerową. Naukowcy twierdzą, że to samo podejście mogłoby pomóc w wykonywaniu zadań manipulacji miękkim robotem, w których dostosowana maszyna musi przewidzieć, jak piasek lub gleba przesuną się pod jej dotykiem. Jako domeny kandydujące wymieniają także ewolucję RNA, a nawet zjawiska astrofizyczne, takie jak łączenie się galaktyk.

Zespół ma nadzieję, że w dłuższej perspektywie prace te pomogą naukowcom odkryć nowe materiały i zbadać procesy fizyczne, których nie można skutecznie zbadać istniejącymi metodami symulacyjnymi.

„Widzimy, że zjednoczenie obliczeń i nauki daje nam nowy wgląd i narzędzia do odkrywania zjawisk fizycznych lub wyjaśniania niektórych niewytłumaczalnych zjawisk fizycznych” – powiedział Guo. „Dzięki ujednoliconemu modelowi moglibyśmy odkryć wiele odkryć, których nawet nie jesteśmy w stanie sobie wyobrazić”.

Pierwszy krok, a nie gotowy fundament

Badacze ostrożnie przedstawiają WorldParticle jako ruch otwierający, a nie ukończony model podstawowy. W przyszłości planują dostosować system do większej liczby systemów fizycznych i zbudować pełny potok symulacji ogólnego przeznaczenia na potrzeby odkryć naukowych.

Jeśli ten łuk brzmi znajomo, jest to zgodne z projektem. Modele językowe przez lata służyły jako wąskie systemy skupiające się na poszczególnych zadaniach, zanim zostały przeskalowane do narzędzi ogólnego przeznaczenia, a zespół WorldParticle wyraźnie obstawia, że ​​symulacja fizyczna może podążać podobną ścieżką, krok po cząstce.

Ten artykuł powstał na podstawie raportu Adama Zewe opublikowanego przez MIT News 9 listopada 2026 r.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →