El sistema representa cada material que simula, desde una duna de arena hasta una molécula de proteína, como partículas diminutas y predice dónde se moverán esas partículas paso a paso. Debido a que aprende la dinámica subyacente en lugar de ser programado con una ecuación, el modelo puede adaptarse a materiales, fuerzas y entornos que nunca encontró durante el entrenamiento.
A largo plazo, los investigadores esperan que este trabajo ayude a los científicos a descubrir nuevos materiales y explorar procesos físicos que no podrían estudiar eficazmente con los métodos de simulación existentes.
“Queremos tener un momento GPT para la simulación”, dice Peter Yichen Chen, ex postdoctorado del MIT que ahora es profesor asistente en la UBC y coautor correspondiente de un artículo de acceso abierto sobre esta técnica. “Cada vez que la gente quiere construir un simulador para un fenómeno físico particular, necesita codificarlo desde cero. Nuestra visión es tener un modelo básico que funcione de inmediato para cualquier escenario que desee simular. Este es un primer paso en esa dirección”.
A Chen se une el coautor correspondiente y coautor Minghao Guo, un postdoctorado del MIT; Los coautores principales Caoliwen Wang y Siyuan Chen, estudiantes graduados de la UBC; Wojciech Matusik, profesor de ingeniería eléctrica e informática del MIT que dirige el Grupo de Fabricación y Diseño Computacional dentro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL); y otros en UBC, Georgia Tech, Inria, Meta, la Universidad de Pensilvania, la Universidad de Utah, la Universidad de California en Los Ángeles y la Universidad de Hong Kong. La investigación se presentará en la Conferencia y Exposición ACM SIGGRAPH sobre Gráficos por Computadora y Técnicas Interactivas en Asia.
Simulación unificada
Para este trabajo, los investigadores se inspiraron en modelos mundiales. Estos poderosos sistemas de inteligencia artificial aprenden las reglas que gobiernan el mundo físico para poder predecir cómo los objetos o entornos cambiarán con el tiempo en respuesta a ciertas acciones o condiciones.
Los investigadores aplicaron estos conceptos para desarrollar una arquitectura de IA unificada que puede simular múltiples tipos de fenómenos físicos.
“Si estudias objetos y fluidos deformables, necesitarías dos simuladores, uno para cada régimen físico. Pero si los unificas en un modelo, ¿quizás puedas acoplar la física de estos dos procesos y obtener información sobre nuevos problemas?” dice Guo.
WorldParticle divide un objeto en miles o millones de pequeños puntos o partículas tridimensionales, utilizando lo que se conoce como representación lagrangiana. Sigue el movimiento y la velocidad de las partículas en el espacio y el tiempo para simular la dinámica del material.
Normalmente, cuando los científicos modelan materiales y procesos físicos utilizando partículas lagrangianas, utilizan una ecuación gobernante que define las leyes fundamentales que controlan cómo se comporta ese material en el tiempo y el espacio. Deben convertir esa ecuación compleja en una fórmula que un solucionador numérico pueda manejar, repitiendo estos pasos para cada material y proceso que quieran modelar.
En cambio, los investigadores diseñaron una red neuronal que aprende a resolver ecuaciones gobernantes en general, eliminando la necesidad de diseñar un nuevo modelo y solucionador para manejar cada una.
Una vez que WorldParticle convierte un objeto en partículas, una red neuronal toma las posiciones 3D y las propiedades físicas de las partículas como entradas. Genera sus posiciones y propiedades para el siguiente cuadro de la simulación, prediciendo el movimiento del material en el tiempo y el espacio en incrementos de un segundo.
“Es una arquitectura similar a ChatGPT. Pero en lugar de predecir una palabra a la vez para escribir un fragmento de texto, predecimos cómo se moverán estas partículas, paso a paso”, afirma Chen.
Antes de cada paso de la simulación, WorldParticle separa las fuerzas externas que afectan el sistema físico, como las fuerzas de impulso que afectan a una ola del océano cuando choca contra un malecón.
Después de predecir los estados iniciales de las partículas, WorldParticle integra las fuerzas externas nuevamente en la simulación, corrigiendo sus predicciones de partículas en función de cómo esas fuerzas afectan el comportamiento del objeto. De esta manera, el sistema puede generalizarse a materiales invisibles, condiciones ambientales cambiantes y fuerzas variadas.
Un marco general y escalable
Pero debido a que un objeto complejo podría dividirse en millones de partículas, el problema rápidamente se vuelve demasiado intensivo desde el punto de vista computacional para que el modelo lo maneje.
Para agilizar el procesamiento, los investigadores emplearon una técnica de fusión para combinar y comprimir partículas y al mismo tiempo permitir que WorldParticle capture detalles finos de su comportamiento.
“Necesitábamos hacer mucha ingeniería detallada y aplicar muchos ajustes a la arquitectura para que fuera verdaderamente generalizable y escalable”, dice Guo.
Demostraron WorldParticle modelando seis fenómenos físicos diferentes, incluidos objetos deformables, materiales granulares y proteínas, con mayor precisión que los métodos de simulación numérica.
Por ejemplo, WorldParticle capturó eficazmente cómo un objeto granular colapsaría formando una pila, mientras que algunos métodos básicos dejaban partículas de arena flotando en el aire. Su método también modeló cómo las estructuras de las proteínas cambian con el tiempo unas 100 veces más rápido que los simuladores numéricos, añade Guo.
Los investigadores afirman que el marco de propósito general podría aplicarse a muchos materiales y procesos, incluidas tareas de manipulación de robots blandos, evolución del ARN y fenómenos astrofísicos como la fusión de galaxias.
En el futuro, quieren adaptar WorldParticle para simular estos y otros sistemas físicos. También quieren aprovechar este trabajo para desarrollar un sistema completo de simulación de propósito general para el descubrimiento científico.
“Vemos que la unificación de la computación y la ciencia nos brinda nuevos conocimientos y herramientas para descubrir fenómenos físicos o explicar algunos fenómenos físicos inexplicables”, dice Guo. “Con un modelo unificado, podríamos desbloquear muchos descubrimientos que ni siquiera podemos imaginar”.