Att simulera fysisk verklighet har länge varit en fragmenterad affär. En forskare som modellerar havsvågor behöver en lösare; en beräkningsbiolog som tittar på ett proteinveck behöver ett annat; en ingenjör som studerar sanddyner behöver en tredjedel. Varje verktyg är noggrant handkodat kring de specifika ekvationerna som styr ett smalt fenomen.
Forskare vid MIT, University of British Columbia och ett urval av samarbetande institutioner har nu avslöjat ett system som är utformat för att ersätta det lapptäcket med en enda arkitektur. Systemet, kallat WorldParticle, använder en enhetlig djupinlärningsmodell för att simulera vitt skilda fysiska processer - från glidande sand till vikningsproteiner - enligt MIT News. For more context on this story, see our ongoing AI news.
Arbetet, en öppen artikel med titeln "WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer", kommer att presenteras på ACM SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asien. Samarbetet spänner över MIT, UBC, Georgia Tech, Inria, Meta, University of Pennsylvania, University of Utah, UCLA och University of Hong Kong.
Ett "GPT-ögonblick" för simulering
"Vi vill ha ett GPT-ögonblick för simulering", säger Peter Yichen Chen, en före detta MIT postdoc som nu är biträdande professor vid UBC och en medförfattare till tidningen, i MIT News rapport. "Varje gång människor vill bygga en simulator för ett visst fysiskt fenomen måste de koda upp det från grunden. Vår vision är att ha en grundmodell som fungerar direkt för alla scenarion du vill simulera. Det här är ett första steg i den riktningen."
Hänvisningen till GPT är inte tillfällig. WorldParticles arkitektur lånar samma sekventiella förutsägelseidé som driver stora språkmodeller. "Det är en liknande arkitektur som ChatGPT. Men istället för att förutsäga ett ord i taget för att skriva en text, förutsäger vi hur dessa partiklar kommer att röra sig, ett steg i taget," sa Chen.
Chen får sällskap av den medkorresponerande och medledande författaren Minghao Guo, en postdoc vid MIT, och medförfattarna Caoliwen Wang och Siyuan Chen, doktorander vid UBC. I teamet ingår också Wojciech Matusik, en MIT-professor i elektroteknik och datavetenskap som leder Computational Design and Fabrication Group inom Computer Science and Artificial Intelligence Laboratory (CSAIL).
Hur WorldParticle fungerar
Systemet vilar på en långvarig idé inom beräkningsfysik: den lagrangiska representationen, där ett material beskrivs som en samling diskreta partiklar vars positioner och hastigheter utvecklas över tiden. WorldParticle bryter varje objekt som det simulerar till tusentals eller miljoner små tredimensionella punkter och spårar sedan hur dessa partiklar rör sig genom rum och tid.
Lära sig ekvationerna, inte handkoda dem
Avvikelsen från traditionen ligger i vad som skriver reglerna. I en klassisk pipeline börjar en vetenskapsman med en styrande ekvation som definierar hur ett material beter sig, och omvandlar sedan den komplexa matematiken till en formel som en numerisk lösare kan hantera – och upprepar hela övningen för varje nytt material eller process.
WorldParticle använder istället ett neuralt nätverk som lär sig att lösa styrande ekvationer i allmänhet. Nätverket tar partiklarnas 3D-positioner och fysiska egenskaper som indata och matar ut deras positioner och egenskaper för nästa ram av simuleringen, och förutsäger materialets rörelse över tid och rum i steg på en sekund.
Hantering av yttre krafter
Verkliga material skjuts ständigt runt av krafter som en modell inte helt kan förutse - en havsvåg som slår in i en strandvägg eller en fot som trycker in i sanden. Före varje simuleringssteg separerar WorldParticle de externa krafter som verkar på systemet. Efter att ha förutspått partiklarnas initiala tillstånd, integrerar systemet dessa krafter tillbaka i simuleringen och korrigerar sina förutsägelser baserat på hur krafterna påverkar objektets beteende.
Den korrigeringsslingan, rapporterar forskarna, är det som gör att modellen kan generaliseras till material, miljöförhållanden och krafter som den aldrig stött på under träningen.
Komprimerar miljontals partiklar
Skala utgjorde den centrala ingenjörsutmaningen. Ett komplext föremål kan splittras i miljontals partiklar, vilket snabbt överväldigar modellens beräkningsbudget. För att hålla bearbetningen lätthanterlig använde teamet en sammanslagningsteknik som kombinerar och komprimerar partiklar samtidigt som de bevarar finkorniga detaljer i deras beteende.
"Vi behövde göra mycket detaljerad ingenjörskonst och använda många justeringar av arkitekturen för att den verkligen skulle vara generaliserbar och skalbar," sa Guo till MIT News.
Testad mot sex fysiska fenomen
Forskarna visade WorldParticle på sex olika fysikaliska fenomen, inklusive deformerbara föremål, granulära material och proteiner, som rapporterade högre noggrannhet än etablerade numeriska simuleringsmetoder.
Exemplen var konkreta. I ett granulärt test fångade WorldParticle hur en hög med material kollapsar under tyngdkraften medan vissa baslinjemetoder lämnade sandpartiklar som osannolikt svävade i luften. På molekylär dynamik modellerade systemet hur proteinstrukturer förändras över tiden ungefär 100 gånger snabbare än numeriska simulatorer, enligt Guo.
Den praktiska vinsten går åt båda hållen: snabbare resultat för problem som forskare redan studerar, och förmågan att koppla ihop fenomen som tidigare krävde separata simulatorer. Teamet lyfter fram scenarier som att vätska skvalpar mot ett deformerbart fast ämne - till exempel hur svallande olja kan stressa en elastisk ventil inuti en lagringstank - där vätskan och strukturen den trycker mot måste modelleras tillsammans.
Från mjuka robotar till sammanslagna galaxer
Ramverkets generalitet pekar på tillämpningar långt bortom datorgrafik. Forskarna säger att samma tillvägagångssätt kan informera mjuka robotmanipuleringsuppgifter, där en kompatibel maskin måste förutsäga hur sand eller jord kommer att förskjutas under dess beröring. De listar också RNA-evolution och till och med astrofysiska fenomen som sammanslagning av galaxer som kandidatdomäner.
På längre sikt hoppas teamet att arbetet hjälper forskare att upptäcka nya material och utforska fysiska processer som existerande simuleringsmetoder inte effektivt kan studera.
"Vi ser föreningen av beräkning och vetenskap som ger oss nya insikter och verktyg för att upptäcka fysiska fenomen eller förklara några oförklarliga fysiska fenomen," sa Guo. "Med en enhetlig modell skulle vi kunna låsa upp många upptäckter som vi inte ens kan föreställa oss."
Ett första steg, inte en färdig grund
Forskarna är noga med att rama in WorldParticle som ett öppningsdrag snarare än en färdig grundmodell. Framöver planerar de att anpassa systemet till mer fysiska system och bygga mot en fullständig simuleringspipeline för allmänna ändamål för vetenskaplig upptäckt.
Om den bågen låter bekant är den designad. Språkmodeller tillbringade år som smala system per uppgift innan de skalade in i allmänna verktyg - och WorldParticle-teamet satsar uttryckligen på att fysisk simulering kan följa en liknande väg, ett partikelsteg i taget.
Den här artikeln är baserad på rapportering av Adam Zewe, publicerad av MIT News den 9 november 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
