Hoje, um cientista que deseja simular um processo físico precisa escolher a ferramenta certa para essa tarefa específica, como um solucionador desenvolvido para simular o fluxo de água ou outro projetado para modelar a forma como uma proteína se dobra. Cada um é programado manualmente em torno das equações específicas que ditam o comportamento desse processo.

Pesquisadores do MIT, da Universidade da Colúmbia Britânica (UBC) e de outras instituições substituíram essa colcha de retalhos por um único sistema de aprendizado profundo, chamado WorldParticle , que pode ajudar engenheiros a modelar diferentes fenômenos físicos, desde o deslizamento de areia até o dobramento de proteínas, com uma arquitetura unificada de inteligência artificial.

Cientistas e engenheiros poderiam usar esse sistema para modelar processos que normalmente exigem simuladores separados, como o movimento de um fluido contra um sólido deformável. Isso poderia oferecer uma maneira mais rápida e precisa de simular como o movimento do óleo poderia impactar uma válvula elástica em um tanque de armazenamento, por exemplo. Também poderia ajudar os engenheiros a estudar onde e como materiais granulares, como areia ou solo, se moveriam quando um robô flexível os tocasse..

O sistema representa cada material que simula, desde uma duna de areia até uma molécula de proteína, como minúsculas partículas e prevê para onde essas partículas se moverão, um passo de cada vez. Como aprende a dinâmica subjacente em vez de ser programado com uma equação, o modelo pode se adaptar a materiais, forças e ambientes que nunca encontrou durante o treinamento.  

A longo prazo, os pesquisadores esperam que este trabalho ajude os cientistas a descobrir novos materiais e a explorar processos físicos que não seriam capazes de estudar eficazmente com os métodos de simulação existentes.

“Queremos criar um momento GPT para simulação”, diz Peter Yichen Chen, ex-pós-doutorando do MIT, atualmente professor assistente na UBC e coautor correspondente de um artigo de acesso aberto sobre essa técnica. “Sempre que alguém quer construir um simulador para um determinado fenômeno físico, precisa programá-lo do zero. Nossa visão é ter um modelo básico que funcione imediatamente para qualquer cenário que se queira simular. Este é um primeiro passo nessa direção.”

Chen conta com a colaboração do coautor correspondente e coautor principal Minghao Guo, pós-doutorando do MIT; dos coautores principais Caoliwen Wang e Siyuan Chen, estudantes de pós-graduação da UBC; de Wojciech Matusik, professor de engenharia elétrica e ciência da computação do MIT, que lidera o Grupo de Projeto e Fabricação Computacional no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL); e de outros pesquisadores da UBC, Georgia Tech, Inria, Meta, Universidade da Pensilvânia, Universidade de Utah, Universidade da Califórnia em Los Angeles e Universidade de Hong Kong. A pesquisa será apresentada na Conferência e Exposição ACM SIGGRAPH sobre Computação Gráfica e Técnicas Interativas na Ásia.

Para este trabalho, os pesquisadores se inspiraram em modelos do mundo real. Esses poderosos sistemas de IA aprendem as regras que governam o mundo físico, de modo que podem prever como objetos ou ambientes mudarão ao longo do tempo em resposta a determinadas ações ou condições.

Os pesquisadores aplicaram esses conceitos para desenvolver uma arquitetura de IA unificada capaz de simular múltiplos tipos de fenômenos físicos. 

O WorldParticle decompõe um objeto em milhares ou milhões de minúsculos pontos tridimensionais, ou partículas, usando o que é conhecido como representação Lagrangiana. Ele rastreia o movimento e a velocidade das partículas no espaço e no tempo para simular a dinâmica do material.

Normalmente, quando os cientistas modelam materiais e processos físicos usando partículas lagrangianas, eles utilizam uma equação governante que define as leis fundamentais que controlam o comportamento desse material ao longo do tempo e do espaço. Eles precisam converter essa equação complexa em uma fórmula que um solucionador numérico possa processar, repetindo esses passos para cada material e processo que desejam modelar.

Em vez disso, os pesquisadores projetaram uma rede neural que aprende a resolver equações governantes em geral, eliminando a necessidade de projetar um novo modelo e solucionador para lidar com cada uma delas. 

Após o WorldParticle converter um objeto em partículas, uma rede neural utiliza as posições 3D e as propriedades físicas das partículas como entradas. Ela retorna as posições e propriedades das partículas para o próximo quadro da simulação, prevendo o movimento do material ao longo do tempo e do espaço em incrementos de um segundo. 

“É uma arquitetura semelhante à do ChatGPT. Mas, em vez de prever uma palavra de cada vez para escrever um texto, estamos prevendo como essas partículas se moverão, um passo de cada vez”, diz Chen.

Antes de cada etapa de simulação, o WorldParticle separa as forças externas que afetam o sistema físico, como as forças de impulso que afetam uma onda oceânica quando ela se choca contra um paredão. 

Após prever os estados iniciais das partículas, o WorldParticle integra as forças externas de volta à simulação, corrigindo suas previsões de partículas com base em como essas forças afetam o comportamento do objeto. Dessa forma, o sistema consegue generalizar para materiais desconhecidos, condições ambientais variáveis ??e forças diversas.

Mas, como um objeto complexo pode ser decomposto em milhões de partículas, o problema rapidamente se torna computacionalmente intensivo demais para o modelo lidar. 

Para agilizar o processamento, os pesquisadores empregaram uma técnica de fusão para combinar e comprimir partículas, permitindo ainda que o WorldParticle capturasse detalhes minuciosos de seu comportamento.

Eles demonstraram o WorldParticle modelando seis fenômenos físicos diferentes, incluindo objetos deformáveis, materiais granulares e proteínas, com maior precisão do que os métodos de simulação numérica. 

Por exemplo, o WorldParticle capturou com eficácia como um objeto granular se desintegraria em uma pilha, enquanto alguns métodos de referência deixavam partículas de areia flutuando no ar. Seu método também modelou como as estruturas de proteínas mudam ao longo do tempo cerca de 100 vezes mais rápido do que os simuladores numéricos, acrescenta Guo. 

Segundo os pesquisadores, a estrutura de uso geral poderia ser aplicada a muitos materiais e processos, incluindo tarefas de manipulação com robôs flexíveis, evolução do RNA e fenômenos astrofísicos como a fusão de galáxias.

Olhando para o futuro, eles querem adaptar o WorldParticle para simular esses e outros sistemas físicos. Também pretendem usar esse trabalho como base para o desenvolvimento de um pipeline de simulação completo e de uso geral para descobertas científicas. 

 “Observamos que a unificação da computação e da ciência nos proporciona novas perspectivas e ferramentas para descobrir fenômenos físicos ou explicar alguns fenômenos físicos inexplicáveis”, afirma Guo. “Com um modelo unificado, poderíamos desvendar muitas descobertas que nem sequer podemos imaginar.”