A simulação da realidade física sempre foi um assunto fragmentado. Um cientista que modela as ondas do mar precisa de um solucionador; um biólogo computacional que observa uma dobra de proteína precisa de outra; um engenheiro que estuda dunas de areia precisa de um terceiro. Cada ferramenta é meticulosamente codificada à mão em torno das equações específicas que governam um fenômeno restrito.
Pesquisadores do MIT, da Universidade da Colúmbia Britânica e de uma série de instituições colaboradoras revelaram agora um sistema projetado para substituir essa colcha de retalhos por uma arquitetura única. O sistema, chamado WorldParticle, usa um modelo unificado de aprendizagem profunda para simular processos físicos amplamente diferentes – desde o deslizamento da areia até o dobramento de proteínas – de acordo com o MIT News. Para mais contexto sobre esta história, confira nossa últimos desenvolvimentos em IA.
O trabalho, um artigo de acesso aberto intitulado "WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer", será apresentado na Conferência e Exposição ACM SIGGRAPH sobre Computação Gráfica e Técnicas Interativas na Ásia. A colaboração abrange o MIT, a UBC, a Georgia Tech, a Inria, a Meta, a Universidade da Pensilvânia, a Universidade de Utah, a UCLA e a Universidade de Hong Kong.
Um 'momento GPT' para simulação
“Queremos ter um momento GPT para simulação”, disse Peter Yichen Chen, ex-pós-doutorado do MIT que agora é professor assistente na UBC e co-autor correspondente do artigo, no relatório do MIT News. "Cada vez que as pessoas querem construir um simulador para um fenômeno físico específico, elas precisam codificá-lo do zero. Nossa visão é ter um modelo básico que funcione imediatamente para qualquer cenário que você queira simular. Este é um primeiro passo nessa direção."
A referência ao GPT não é acidental. A arquitetura do WorldParticle toma emprestada a mesma ideia de previsão sequencial que alimenta grandes modelos de linguagem. “É uma arquitetura semelhante ao ChatGPT. Mas em vez de prever uma palavra de cada vez para escrever um pedaço de texto, estamos prevendo como essas partículas se moverão, um passo de cada vez”, disse Chen.
Chen é acompanhado pelo co-correspondente e co-autor principal Minghao Guo, um pós-doutorado do MIT, e pelos co-autores principais Caoliwen Wang e Siyuan Chen, estudantes de pós-graduação na UBC. A equipe também inclui Wojciech Matusik, professor de engenharia elétrica e ciência da computação do MIT que lidera o Grupo de Design e Fabricação Computacional do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL).
Como funciona o WorldParticle
O sistema baseia-se numa ideia de longa data na física computacional: a representação Lagrangiana, na qual um material é descrito como uma coleção de partículas discretas cujas posições e velocidades evoluem ao longo do tempo. O WorldParticle divide cada objeto que simula em milhares ou milhões de minúsculos pontos tridimensionais e, em seguida, rastreia como essas partículas se movem no espaço e no tempo.
Aprendendo as equações, não codificando-as manualmente
O afastamento da tradição reside naquilo que escreve as regras. Em um pipeline clássico, um cientista começa com uma equação governante que define como um material se comporta e depois converte essa matemática complexa em uma fórmula que um solucionador numérico pode manipular – repetindo todo o exercício para cada novo material ou processo.
Em vez disso, o WorldParticle usa uma rede neural que aprende a resolver equações governantes em geral. A rede toma as posições 3D e as propriedades físicas das partículas como entradas e gera suas posições e propriedades para o próximo quadro da simulação, prevendo o movimento do material ao longo do tempo e do espaço em incrementos de um segundo.
Lidando com Forças Externas
Os materiais do mundo real são constantemente empurrados por forças que um modelo não pode prever totalmente – uma onda oceânica atingindo um paredão ou um pé pressionando a areia. Antes de cada etapa da simulação, o WorldParticle separa as forças externas que atuam no sistema. Depois de prever os estados iniciais das partículas, o sistema integra essas forças de volta na simulação, corrigindo as suas previsões com base em como as forças afetam o comportamento do objeto.
Esse ciclo de correção, relatam os pesquisadores, é o que permite ao modelo generalizar para materiais, condições ambientais e forças que nunca encontrou durante o treinamento.
Comprimindo milhões de partículas
A escala representou o desafio central da engenharia. Um objeto complexo pode se despedaçar em milhões de partículas, sobrecarregando rapidamente o orçamento computacional do modelo. Para manter o processamento tratável, a equipe empregou uma técnica de fusão que combina e comprime partículas, preservando detalhes refinados em seu comportamento.
“Precisávamos fazer muita engenharia detalhada e empregar muitos ajustes na arquitetura para que ela fosse verdadeiramente generalizável e escalável”, disse Guo ao MIT News.
Testado contra seis fenômenos físicos
Os pesquisadores demonstraram o WorldParticle em seis fenômenos físicos diferentes, incluindo objetos deformáveis, materiais granulares e proteínas, relatando maior precisão do que os métodos de simulação numérica estabelecidos.
Os exemplos foram concretos. Em um teste granular, o WorldParticle capturou como uma pilha de material entra em colapso sob a gravidade, enquanto alguns métodos básicos deixavam partículas de areia flutuando de forma improvável no ar. Na dinâmica molecular, o sistema modelou como as estruturas das proteínas mudam ao longo do tempo cerca de 100 vezes mais rápido do que os simuladores numéricos, de acordo com Guo.
A recompensa prática ocorre em ambas as direções: resultados mais rápidos para problemas que os cientistas já estudam e a capacidade de acoplar fenômenos que anteriormente exigiam simuladores separados. A equipe destaca cenários como o respingo de fluido contra um sólido deformável – por exemplo, como o respingo de óleo pode causar tensão em uma válvula elástica dentro de um tanque de armazenamento – onde o fluido e a estrutura contra a qual ele empurra devem ser modelados juntos.
De Soft Robots à Fusão de Galáxias
A generalidade da estrutura aponta para aplicações muito além da computação gráfica. Os pesquisadores dizem que a mesma abordagem poderia informar tarefas de manipulação de robôs leves, nas quais uma máquina compatível deve prever como a areia ou o solo se deslocarão sob seu toque. Eles também listam a evolução do RNA e até mesmo fenômenos astrofísicos, como a fusão de galáxias, como domínios candidatos.
A longo prazo, a equipa espera que o trabalho ajude os cientistas a descobrir novos materiais e a explorar processos físicos que os métodos de simulação existentes não conseguem estudar eficazmente.
“Vemos a unificação da computação e da ciência nos dando novos insights e ferramentas para descobrir fenômenos físicos ou explicar alguns fenômenos físicos inexplicáveis”, disse Guo. “Com um modelo unificado, poderíamos desbloquear muitas descobertas que nem podemos imaginar.”
Um primeiro passo, não uma base acabada
Os pesquisadores têm o cuidado de enquadrar o WorldParticle como um movimento de abertura, em vez de um modelo de fundação completo. No futuro, eles planejam adaptar o sistema a sistemas mais físicos e construir um pipeline de simulação completo e de uso geral para descobertas científicas.
Se esse arco parece familiar, é intencional. Os modelos de linguagem passaram anos como sistemas restritos, por tarefa, antes de se transformarem em ferramentas de uso geral – e a equipe da WorldParticle está apostando explicitamente que a simulação física pode seguir um caminho semelhante, um passo de partícula de cada vez.
Este artigo é baseado em reportagem de Adam Zewe, publicada pelo MIT News em 9 de novembro de 2026.---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
