Por Canuto  

Investigadores del MIT, la Universidad de Columbia Británica y otras instituciones desarrollaron WorldParticle, un modelo de IA que aprende a simular distintos materiales y fenómenos físicos mediante partículas. El sistema busca reducir la necesidad de crear un simulador distinto para cada problema y mostró resultados en seis fenómenos, incluido el plegamiento de proteínas.
***

  • WorldParticle representa materiales como conjuntos de partículas y predice su movimiento paso a paso, en vez de depender de un simulador diseñado para cada fenómeno.
  • El equipo reportó resultados en seis fenómenos físicos y afirmó que el modelo simuló cambios en estructuras de proteínas unas 100 veces más rápido que simuladores numéricos.
  • Los investigadores ven posibles usos en robótica blanda, evolución del ARN, descubrimiento de materiales y fenómenos astrofísicos.

MIT presenta una IA que simula arena, fluidos y proteínas con un solo modelo

Investigadores del MIT, la Universidad de Columbia Británica (UBC) y otras instituciones desarrollaron WorldParticle, un sistema de inteligencia artificial diseñado para simular fenómenos físicos distintos con una arquitectura común. En lugar de exigir un programa especializado para cada material, el modelo representa la materia como partículas y aprende a predecir cómo se desplazan con el tiempo, desde granos de arena hasta estructuras de proteínas, según informó MIT News.

La propuesta apunta a un obstáculo habitual de la simulación científica: cada proceso suele requerir herramientas construidas alrededor de sus propias ecuaciones y condiciones. El equipo sostiene que una arquitectura capaz de aprender dinámicas generales podría facilitar la simulación de sistemas acoplados, como un fluido que impacta un sólido deformable, y abrir caminos para estudiar situaciones que hoy demandan varios simuladores.

Un mismo marco para materiales distintos

En la práctica, quien necesita modelar un proceso físico debe escoger un método ajustado a ese caso particular, como un solucionador para el movimiento del agua o un sistema preparado para estudiar el plegamiento de una proteína. Cada herramienta se construye alrededor de ecuaciones que describen el comportamiento esperado, por lo que cambiar de material o de régimen físico suele implicar diseñar otra solución.

WorldParticle busca reemplazar ese mosaico con un modelo que aprenda las dinámicas subyacentes, en vez de programar de antemano una ecuación distinta para cada fenómeno. Minghao Guo, investigador posdoctoral del MIT y coautor principal, planteó que combinar en un solo sistema la simulación de fluidos y objetos deformables podría permitir acoplar sus comportamientos y aportar herramientas para problemas nuevos.

Una aplicación ilustrativa sería estudiar cómo una ola de aceite golpea una válvula elástica dentro de un tanque de almacenamiento, un ejemplo que une un fluido con una estructura flexible. Otra posibilidad sería analizar cómo la arena o la tierra se desplazan cuando las toca un robot blando, una interacción en la que comprender el movimiento del material resulta clave para evaluar la tarea del robot.

Peter Yichen Chen, exinvestigador posdoctoral del MIT y ahora profesor asistente en la UBC, describió la meta como la búsqueda de un modelo fundacional para simulaciones físicas. Su comparación con los modelos de lenguaje se refiere a la arquitectura y a la predicción secuencial: en vez de anticipar la siguiente palabra, WorldParticle calcula cómo se moverán las partículas en el siguiente paso.

Cómo predice el movimiento de las partículas

El sistema divide cada objeto en miles o millones de puntos tridimensionales diminutos, una representación conocida como lagrangiana, y sigue la posición y velocidad de esas partículas a través del espacio y el tiempo. De esta manera, una duna, un fluido o una molécula se convierten en conjuntos de unidades cuyo movimiento el modelo intenta anticipar de forma sucesiva.

En los métodos tradicionales, los científicos parten de una ecuación rectora que expresa las leyes que gobiernan el comportamiento de un material y luego la convierten en una fórmula que pueda resolver un programa numérico. Repetir ese trabajo para cada material y proceso requiere construir herramientas específicas; el equipo, en cambio, diseñó una red neuronal para aprender a resolver ecuaciones rectoras de forma general.

Una vez representado el objeto como partículas, la red recibe sus posiciones tridimensionales y sus propiedades físicas, y predice esos mismos estados para el siguiente fotograma de la simulación. El avance ocurre paso a paso, en incrementos de un segundo, según la descripción del trabajo, y permite reconstruir la evolución del material a lo largo del tiempo.

WorldParticle también separa las fuerzas externas antes de cada paso, para incorporarlas de nuevo después de producir la predicción inicial de las partículas. Así puede ajustar el resultado a condiciones como el impulso que afecta una ola al golpear un rompeolas, un mecanismo que, según los investigadores, ayuda al modelo a responder a materiales no vistos, fuerzas distintas y cambios en el entorno.

Resultados, velocidad y límites de escala

El equipo probó el marco con seis fenómenos físicos que incluyeron objetos deformables, materiales granulares y proteínas, y afirmó que WorldParticle superó en precisión a los métodos de simulación numérica usados como referencia. En una prueba con material granular, el modelo reprodujo el colapso de un conjunto de partículas hasta formar un montón, mientras que algunos métodos comparativos dejaron granos suspendidos en el aire.

Los investigadores también informaron que el sistema modeló los cambios de las estructuras de proteínas unas 100 veces más rápido que los simuladores numéricos. Esa cifra corresponde al resultado que reportó el equipo para ese tipo de simulación y no implica que el modelo acelere por igual todos los procesos físicos ni que elimine la necesidad de validación en cada aplicación.

El alcance del sistema trae un reto computacional: un objeto complejo puede contener millones de partículas, una carga que rápidamente se vuelve difícil de manejar. Para reducirla, los investigadores utilizaron una técnica de fusión que combina y comprime partículas, con el objetivo de conservar detalles relevantes de su comportamiento mientras agilizan el procesamiento.

Guo señaló que la generalización y la escalabilidad exigieron ingeniería detallada y numerosos ajustes en la arquitectura. El resultado no depende únicamente de la idea de entrenar una red neuronal: también requiere mecanismos que permitan mantener información sobre fenómenos complejos sin hacer que el cálculo de cada interacción resulte demasiado costoso.

Un proyecto internacional y sus próximos pasos

Chen es coautor correspondiente del estudio junto con Guo; entre los coautores principales figuran Caoliwen Wang y Siyuan Chen, estudiantes de posgrado de la UBC. También participó Wojciech Matusik, profesor de ingeniería eléctrica y ciencias de la computación del MIT, quien dirige el Grupo de Diseño Computacional y Fabricación dentro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial.

El trabajo reunió además a investigadores de 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, así como de la UBC. La investigación se presentará en la Conferencia y Exposición ACM SIGGRAPH sobre Gráficos por Computadora y Técnicas Interactivas en Asia.

El artículo del equipo se titula WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer y describe el sistema como una simulación unificada de dinámicas de partículas lagrangianas mediante un transformador. Los investigadores plantean como siguiente paso adaptar la arquitectura a aplicaciones que van desde la manipulación con robots blandos y la evolución del ARN hasta procesos astrofísicos como la fusión de galaxias.

A largo plazo, los autores aspiran a construir un flujo de simulación de propósito general que sirva al descubrimiento científico, además de ampliar la variedad de sistemas que WorldParticle puede representar. La meta, según Guo, es que la combinación de computación y ciencia permita obtener nuevas herramientas para descubrir fenómenos o explicar aquellos que todavía no cuentan con una interpretación clara.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados