Hoy, un científico que quiere simular un proceso físico tiene que elegir la herramienta hecha para ese único trabajo, como un solucionador pensado para el agua que fluye u otro diseñado para modelar cómo se pliega una proteína. Cada uno se programa a mano en torno a las ecuaciones específicas que gobiernan ese proceso.
Investigadores del MIT, de la Universidad de Columbia Británica (UBC) y de otras instituciones reemplazaron ese mosaico por un único sistema de aprendizaje profundo llamado WorldParticle, informó MIT News el 9 de noviembre. Con una sola arquitectura de inteligencia artificial, el sistema modela fenómenos tan distintos como la arena que se desliza y las proteínas que se pliegan.
Científicos e ingenieros podrían usarlo para procesos que normalmente exigen simuladores separados, como un fluido que golpea contra un sólido deformable. Eso abriría una forma más rápida y precisa de simular, por ejemplo, cómo el petróleo que se agita dentro de un estanque de almacenamiento afecta a una válvula elástica. También serviría para estudiar dónde y cómo se mueven materiales granulares, como la arena o la tierra, cuando los toca un robot blando.
El sistema representa cada material que simula, desde una duna de arena hasta una molécula de proteína, como partículas diminutas, y predice hacia dónde se moverán esas partículas paso a paso. Como aprende la dinámica de fondo en vez de recibir una ecuación programada, el modelo se adapta a materiales, fuerzas y entornos que nunca vio durante el entrenamiento.
A largo plazo, los investigadores esperan que el trabajo ayude a descubrir materiales nuevos y a explorar procesos físicos que los métodos de simulación actuales no permiten estudiar bien.
"Queremos tener un momento GPT para la simulación", dijo Peter Yichen Chen, exinvestigador posdoctoral del MIT y hoy profesor asistente en la UBC, coautor correspondiente de un artículo de acceso abierto sobre la técnica. "Cada vez que alguien quiere construir un simulador para un fenómeno físico particular, tiene que programarlo desde cero. Nuestra visión es tener un modelo fundacional que funcione de entrada para cualquier escenario que quieras simular. Este es un primer paso en esa dirección".
Firman junto a Chen el coautor correspondiente y coautor principal Minghao Guo, investigador posdoctoral del MIT; los coautores principales Caoliwen Wang y Siyuan Chen, estudiantes de posgrado de la UBC; Wojciech Matusik, profesor de ingeniería eléctrica y ciencias de la computación del MIT que dirige el Computational Design and Fabrication Group dentro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), y otros investigadores de la 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. El trabajo se presentará en la conferencia ACM SIGGRAPH Asia.
Una simulación unificada
El equipo se inspiró en los modelos del mundo. Son sistemas de IA que aprenden las reglas del mundo físico para predecir cómo cambian los objetos o los entornos en el tiempo frente a ciertas acciones o condiciones. Los investigadores aplicaron esa idea a una arquitectura unificada capaz de simular varios tipos de fenómenos físicos.
"Si estudias objetos deformables y fluidos, necesitas dos simuladores, uno para cada régimen físico. Pero si los unificas en un solo modelo, ¿quizás podrías acoplar la física de esos dos procesos y entender problemas nuevos?", dijo Guo.
¿Cómo funciona WorldParticle?
WorldParticle descompone un objeto en miles o millones de puntos tridimensionales diminutos, o partículas, con lo que se conoce como representación lagrangiana. Luego sigue el movimiento y la velocidad de esas partículas en el espacio y el tiempo para simular la dinámica del material.
Lo habitual, cuando se modelan materiales con partículas lagrangianas, es partir de una ecuación que define las leyes fundamentales de su comportamiento. Esa ecuación compleja hay que convertirla en una fórmula que un solucionador numérico pueda manejar, y el proceso se repite para cada material y cada proceso que se quiere modelar.
En cambio, los investigadores diseñaron una red neuronal que aprende a resolver ecuaciones de gobierno en general. Así desaparece la necesidad de diseñar un modelo y un solucionador nuevos para cada caso.
Una vez que WorldParticle convierte el objeto en partículas, la red neuronal recibe como entrada las posiciones 3D y las propiedades físicas de cada partícula. Entrega sus posiciones y propiedades para el siguiente cuadro de la simulación, y así predice el movimiento del material en el espacio y el tiempo en incrementos de un segundo.
"Es una arquitectura parecida a la de ChatGPT. Pero en vez de predecir una palabra a la vez para escribir un texto, predecimos cómo se moverán estas partículas, un paso a la vez", explicó Chen.
Antes de cada paso, WorldParticle separa las fuerzas externas que actúan sobre el sistema, como el impulso que recibe una ola del mar cuando choca contra un rompeolas. Después de predecir el estado inicial de las partículas, reintegra esas fuerzas y corrige sus predicciones según cómo afectan al comportamiento del objeto. Por eso el sistema generaliza a materiales que no vio, a condiciones ambientales que cambian y a fuerzas distintas.
Un marco general y escalable
Un objeto complejo puede descomponerse en millones de partículas, y ahí el problema se vuelve demasiado pesado de calcular para el modelo. Para aliviar el procesamiento, los investigadores usaron una técnica que fusiona y comprime partículas sin perder el detalle fino de su comportamiento.
"Tuvimos que hacer mucha ingeniería de detalle y aplicar muchos ajustes a la arquitectura para que fuera realmente generalizable y escalable", dijo Guo.
El equipo demostró WorldParticle con seis fenómenos físicos distintos, entre ellos objetos deformables, materiales granulares y proteínas, con mayor precisión que los métodos de simulación numérica. Por ejemplo, capturó bien cómo un objeto granular se desploma en un montón, mientras algunos métodos de referencia dejaban partículas de arena flotando en el aire. También modeló los cambios de estructura de las proteínas en el tiempo unas 100 veces más rápido que los simuladores numéricos, según Guo.
¿Dónde se podría aplicar?
Según los investigadores, el marco sirve para muchos materiales y procesos, entre ellos tareas de manipulación con robots blandos, la evolución del ARN y fenómenos astrofísicos como la fusión de galaxias. El siguiente paso es adaptar WorldParticle a esos y otros sistemas físicos, y avanzar hacia una cadena completa de simulación de propósito general para el descubrimiento científico.
"Vemos que la unificación de la computación y la ciencia nos entrega nuevas ideas y herramientas para descubrir fenómenos físicos o explicar algunos que hoy no tienen explicación", dijo Guo. "Con un modelo unificado podríamos destrabar muchos descubrimientos que ni siquiera imaginamos".
