Investigadores del MIT, de la Universidad de la Columbia Británica (UBC) y de otros centros han presentado WorldParticle, un sistema de aprendizaje profundo que reemplaza el mosaico de simuladores especializados por un solo modelo. Hasta ahora, un científico que quiere simular un proceso físico debe elegir la herramienta adecuada para ese caso concreto. Cada una está programada a mano con las ecuaciones que rigen ese fenómeno, desde el flujo del agua hasta el plegado de las proteínas.
Ingenieros y científicos podrían usar el sistema en procesos que hoy requieren simuladores separados, como un fluido que choca contra un sólido deformable. Un ejemplo es el chapoteo de aceite en un depósito y su efecto sobre una válvula elástica, un caso que, según los autores, podría simularse con más rapidez y precisión. También ayudaría a estudiar hacia dónde y cómo se desplazan materiales granulares, como arena o tierra, cuando un robot blando los toca.
WorldParticle representa cada material, desde una duna de arena hasta una molécula de proteína, como un conjunto de pequeñas partículas tridimensionales. Una red neuronal recibe sus posiciones y propiedades físicas y calcula su estado en el siguiente fotograma de la simulación, con incrementos de un segundo. Chen compara la arquitectura con la de ChatGPT, aunque en lugar de predecir palabras predice el movimiento de las partículas. Al aprender la dinámica subyacente, el modelo puede adaptarse a materiales, fuerzas y entornos que no vio durante el entrenamiento.
Antes de cada paso, el sistema separa las fuerzas externas que actúan sobre el sistema físico, como el impacto de una ola contra un muro de contención. Después vuelve a integrarlas para corregir la predicción según su efecto sobre el objeto. El reto aparece con los objetos complejos, porque dividirlos en millones de partículas vuelve el cálculo inabordable. Para evitarlo, los investigadores aplicaron una técnica de fusión que combina y comprime partículas sin perder el detalle fino del comportamiento.
Los autores probaron WorldParticle con seis fenómenos físicos distintos, entre ellos objetos deformables, materiales granulares y proteínas, con más precisión que los métodos de simulación numérica. En un caso, el modelo reprodujo cómo un material granular se derrumba hasta formar un montón, mientras algunos métodos de referencia dejaban partículas de arena suspendidas en el aire. En las proteínas, la evolución de la estructura se modela unas 100 veces más rápido que con simuladores numéricos, según Guo. El marco también podría aplicarse a robots blandos, a la evolución del RNA y a fenómenos astrofísicos como la fusión de galaxias.
Chen describe el proyecto como un primer paso hacia un modelo fundamental que funcione sin ajustes en cualquier escenario que se quiera simular. A largo plazo, los investigadores esperan que ayude a descubrir nuevos materiales y a estudiar procesos que hoy no pueden analizarse con eficacia. Los siguientes pasos incluyen adaptar WorldParticle a otros sistemas físicos y avanzar hacia una canalización de simulación general para la investigación científica. El trabajo se presentará en la conferencia SIGGRAPH Asia.