- Der vom MIT entwickelte WorldParticle-Simulator kann die Bewegung von Partikeln in sechs physikalischen Systemen vorhersagen.
- Das System betrachtet jedes Material als eine Gruppe von Partikeln und sagt deren Bewegung basierend auf Position und Geschwindigkeit voraus.
- Das Modell zeigt bei Langzeit-Simulationen geringere Fehler und höhere Stabilität.
- In Zukunft ist geplant, WorldParticle an weitere physikalische Systeme anzupassen, um wissenschaftliche Entdeckungen zu fördern.
Forscher des Massachusetts Institute of Technology (MIT) und der University of British Columbia (UBC) haben ein auf Transformatoren basierendes Simulationsdesign entwickelt, das in der Lage ist, die Bewegung von Partikeln in sechs verschiedenen Arten von physikalischen Systemen, einschließlich Sand und Proteinen, vorherzusagen, wie aus einer Veröffentlichung des MIT und einer wissenschaftlichen Arbeit hervorgeht. Traditionelle physikalische Simulatoren sind in der Regel für spezifische Aufgaben konzipiert; die Gleichungen, die von einem Solver für strömendes Wasser verwendet werden, unterscheiden sich von denen eines Solvers für das Falten von Proteinen, und jeder Solver muss manuell codiert werden. Das neue System namens WorldParticle zielt darauf ab, diese unabhängigen Programme durch ein lernendes Design zu ersetzen, obwohl jede Materialart weiterhin ihr eigenes Trainingsnetzwerk haben wird.
WorldParticle betrachtet jedes Material als eine Gruppe von Partikeln, wobei jeder Partikel basierend auf seiner Position und Geschwindigkeit verfolgt wird, um schrittweise seine nächste Position vorherzusagen. Peter Yichen Chen, Assistenzprofessor an der UBC und Mitautor, vergleicht diesen Ansatz mit ChatGPT, einem Modell, das ein textbasiertes Vorhersagesystem ist.
Funktionsweise des WorldParticle-Simulators
Das Team hat in einem Preprint auf arXiv jeden Schritt in zwei Teile gegliedert. Zunächst werden grundlegende Berechnungen durchgeführt, um die Partikel basierend auf bekannten externen Kräften (wie Antriebskräften) zu bewegen. Anschließend werden Position und Geschwindigkeit durch einen lernenden Korrektor angepasst, um die Wechselwirkungen zwischen den Partikeln zu berücksichtigen. Um die Rechenkosten zu senken, fasst das Modell ähnliche Partikel in kleinere Zusammenfassungsmarken zusammen und überträgt dann die Informationen zurück an jeden Partikel.
Die Forscher trainierten unabhängige Netzwerke für sechs Kategorien (Stoffe, elastische Feststoffe, zwei Flüssigkeiten, Sand und Proteinbewegung), wobei die Trainingsdaten von bestehenden Solvern stammen. Laut der veröffentlichten Arbeit zeigt das Modell im Vergleich zu drei anderen neuronalen Simulatoren in den Aufgaben für Flüssigkeiten, Stoffe und Sand geringere Fehler und höhere Stabilität bei Langzeitläufen. Diese Konkurrenten erzeugten bei Langzeitsimulationen schwebende Sandkörner und explodierende Stoffe. Der Schritt für die Proteinbewegung beträgt 50 Femtosekunden, was 100 Mal der 0,5 Femtosekunden-Schrittgröße traditioneller Molekülsimulationen entspricht. Femtosekunden sind 10 hoch minus 15 Sekunden.
Zukünftige Entwicklung des Modells
Da der erste Schritt direkt mit externen Kräften umgeht, kann das Modell auf Kräfte reagieren, die während des Trainings nicht gesehen wurden. Das Team hat ein Echtzeitinstrument entwickelt, das es Benutzern ermöglicht, Kräfte auf weiche Objekte auszuüben. In drei Videos von realen Anwendungen stimmen die vorhergesagten Bewegungen qualitativ mit den beobachteten Bewegungen überein, wobei in der Arbeit keine Fehlerdaten berichtet wurden. Mehrere Einschränkungen gelten ebenfalls. Die Arbeit weist darauf hin, dass der Speicher die Hauptbeschränkung darstellt: Die erste Schicht betrachtet gleichzeitig jeden Partikel, was die Szenarien auf etwa 50.000 Partikel beschränkt und einen einzelnen 80 GB Grafikprozessor erfordert.
Die Autoren geben außerdem an, dass zukünftige Arbeiten darauf abzielen werden, eine gemeinsame Gewichtung für alle Kategorien zu teilen, wobei die Genauigkeit des Modells im Vergleich zu spezialisierten Solvern verloren gehen könnte. „Wir hoffen, einen GPT-Moment in der Simulation zu erreichen“, sagte Professor Chen und beschreibt ein Grundmodell, das auf jede Szene anwendbar sein soll. Das Team plant, WorldParticle an weitere physikalische Systeme anzupassen, einschließlich Aufgaben für flexible Roboter, und einen allgemeinen Simulationspfad für wissenschaftliche Entdeckungen zu verfolgen, so das MIT.
Einfluss von WorldParticle auf physikalische Simulationen
Die Entwicklung des WorldParticle-Simulators stellt einen bedeutenden Fortschritt in der Technologie der physikalischen Simulation dar, da er durch ein auf Transformatoren basierendes Design in der Lage ist, die Bewegung von Partikeln in verschiedenen physikalischen Systemen effektiv vorherzusagen. Dies verbessert nicht nur die Genauigkeit der Simulationen, sondern senkt auch die Rechenkosten, insbesondere in Bezug auf die Stabilität bei Langzeitläufen. Mit zukünftigen Plänen, diese Technologie auf weitere physikalische Systeme anzuwenden, könnte sie eine wichtige Rolle in der Forschung zu flexiblen Robotern und anderen wissenschaftlichen Bereichen spielen und die Weiterentwicklung verwandter Technologien vorantreiben.

