Los modelos de inteligencia artificial son expertos en muchos oficios, incluida la escritura, la generación de imágenes y la creación de modelos 3D. Pero no son tan útiles cuando se trata de probar robots o diseños de vehículos en diversos entornos, ya que no entienden la física tan bien como los píxeles o el texto.
Para construir un sistema de inteligencia artificial que pueda simular de manera confiable una variedad de escenarios físicos, los ingenieros necesitan una variedad de datos físicos a una escala que aún no es factible. Esto se debe a que lleva mucho tiempo conseguir que las redes neuronales solo tengan unos pocos puntos de datos que puedan comprender. Se basan en algoritmos llamados “solucionadores numéricos” para calcular propiedades físicas en diferentes puntos de una forma 3D. Es un proceso minucioso, pero lleva tanto tiempo que limita la cantidad de datos que tendrás para, por ejemplo, probar si los diseños de tu avión son seguros y aerodinámicos.
Un nuevo enfoque de preentrenamiento conocido como “GeoPT”, desarrollado por investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y la Universidad de Tsinghua, brinda a los modelos de simulación la oportunidad de aprender física de una manera más amplia y eficiente. Virtualmente recrea las interacciones mecánicas cotidianas en 3D, mostrando cómo las partículas se detienen cuando alcanzan alguna parte de un objeto. Estas simulaciones dan a los modelos una idea de cómo funciona la física, ayudándoles a modelar el mundo real con mayor precisión, alcanzar el máximo rendimiento dos veces más rápido y entrenar con hasta un 60 por ciento menos de datos en comparación con los modelos líderes.
Pronto, el proyecto podría ayudar a los ingenieros a predecir cómo los vehículos (como automóviles y aviones), los elementos cotidianos (incluidas sillas y contenedores) y los robots responden a diversos elementos físicos, como el viento, el agua y las colisiones. Los investigadores creen que su trabajo también podría ser un paso hacia un modelo básico de la física, un sistema central entrenado con una gran cantidad de datos que puede ayudar a que las herramientas de inteligencia artificial se generalicen a diferentes tareas.
“Creemos que la física es la tercera modalidad para los modelos de IA, después del texto y los píxeles”, dice Minghao Guo, estudiante de doctorado del MIT e investigador de CSAIL, coautor principal de un artículo que presenta GeoPT. “Nuestro modelo de propósito general tiene la versatilidad para ayudar a construir un modelo mundial para la física. Muchos modelos, como los que generan datos y vídeos robóticos, ya están bien versados en datos textuales y visuales, pero con precisión física, obtendrán resultados más realistas”.
Fácil de usar
Para utilizar GeoPT, los usuarios simplemente cargan modelos 3D de objetos como acorazados, aviones de pasajeros y camiones, y especifican la dirección y velocidad de la fuerza que desean simular. El resultado es una especie de mapa de calor que muestra cómo se verá afectado el objeto en diferentes lugares. Si conoce la velocidad y la dirección (velocidad) de la fuerza que desea simular, puede capturarla en GeoPT. Esto resulta útil cuando quieres simular cosas como el aspecto que tendría un coche después de estrellarse contra una pared, la forma en que la luz rebota alrededor de los objetos y si un barco se mantiene a flote sobre olas turbulentas.
Pero, ¿cómo consigue GeoPT “captar” tan bien la física? Su conocimiento proviene de la “dinámica sintética”, una serie de interacciones entre partículas pequeñas y formas tridimensionales complejas. GeoPT estudió 1,3 millones de muestras de dinámica sintética, en las que diminutas esferas se movían a distintas velocidades y ángulos hasta detenerse en un determinado punto del objeto.
Básicamente, estas partículas se “pegan” a un objeto una vez que hacen contacto, en lugar de moverse o rebotar. Imagínese el aprendizaje sobre interacciones físicas usando canicas y figuras de acción; de manera similar, los modelos de simulación pueden usar dinámica sintética para tener una idea de la física antes de entrenar con datos etiquetados.
Éxito de la industria
Los investigadores descubrieron que GeoPT era particularmente hábil en la simulación de escenarios industriales, ya que superaba a los modelos de simulación más modernos en todos los puntos de referencia. El denominador común: alcanzó el rendimiento máximo más rápido que otras herramientas, y al mismo tiempo necesitó muchos menos datos etiquetados.
En un conjunto de datos de formas 3D complejas y sus respuestas a las corrientes de viento y la presión superficial, por ejemplo, GeoPT superó a los modelos de última generación en velocidad, precisión y eficiencia. Obtuvo triunfos similares en velocidad y precisión al capturar cómo respondían los aviones de combate al viento. Cuando GeoPT probó cómo el casco de un barco manejaba tanto el aire como las olas, requirió un 60 por ciento menos de datos etiquetados para capturar ambas fuerzas físicas y alcanzó una precisión máxima cuatro veces más rápida que las líneas de base superiores.
El sistema incluso logró simular el aspecto de diferentes tipos de automóviles después de chocar con otro objeto. Predijo correctamente cómo se deformarían los vehículos 3D utilizando menos datos que las líneas de base de última generación. Del mismo modo, sus simulaciones de cómo pasaría la luz a través de lo que era esencialmente un conejo de juguete fueron precisas, a pesar de que nunca se entrenó de antemano en ese modelo 3D o en la física de la luz.
“Si su modelo funciona bien en los puntos de referencia industriales, eso significa que puede resolver las tareas físicas más difíciles”, dice el coautor principal Haixu Wu, postdoctorado del MIT e investigador de CSAIL. “GeoPT estaba realizando simulaciones de alta fidelidad con más de 100 millones de puntos de malla en segundos. Esto podría hacer que la herramienta fuera extremadamente útil para los ingenieros que esperan probar planos de vehículos sin necesidad de realizar tantos experimentos físicos”.
Los investigadores añaden que su sistema es sólo una vista previa del tipo de modelo mundial de física en el que han estado trabajando. El equipo espera ampliar su sistema, entrenando en aún más formas y simulando fenómenos físicos más complejos. Por ejemplo, un enfoque más profundo podría ayudar a modelar patrones climáticos, probar diferentes materiales y generar videos realistas.
“El uso de datos de dinámica sintética es un paradigma apasionante para incorporar la física a los modelos básicos”, afirma Fei Sha, científico investigador de IA en Meta, que no participó en la investigación. “Desafía la sabiduría tradicional de que la física y la geometría están necesariamente entrelazadas en la computación, y que es necesario adquirir datos costosos y especializados. El éxito demostrado en una amplia gama de dominios de aplicación nos lleva a esta coyuntura importante: estamos listos para construir modelos básicos de física, ahora y rápidamente”.
Wu y Guo escribieron el artículo con colegas del MIT CSAIL, incluido Zongyi Li, un postdoctorado en el laboratorio; Zhiyang (Frank) Dou, afiliado de CSAIL y estudiante de doctorado del MIT en ingeniería eléctrica e informática (EECS); Kaiming He, investigador principal del laboratorio, profesor asociado de EECS y científico distinguido de Google DeepMind; y el autor principal Wojciech Matusik, profesor Joan e Irwin M. (1957) Jacobs de EECS e investigador principal de CSAIL. El profesor asociado de la Universidad de Tsinghua, Mingsheng Long, también fue coautor. El equipo presentó el artículo en la Conferencia Internacional sobre Aprendizaje Automático en julio.
El trabajo de los investigadores fue apoyado, en parte, por Neural Modular Physics Twin for Robotics.