Un equipo del MIT desarrolla un nuevo simulador para predecir el movimiento de partículas en seis sistemas físicos

·por Henderson·Engineering
Un equipo del MIT desarrolla un nuevo simulador para predecir el movimiento de partículas en seis sistemas físicos
Puntos clave
  • El simulador WorldParticle desarrollado por el MIT puede predecir el movimiento de partículas en seis sistemas físicos.
  • El sistema trata cada material como un grupo de partículas, haciendo predicciones basadas en su posición y velocidad.
  • El modelo muestra un menor error y mayor estabilidad en simulaciones a largo plazo.
  • Se planea adaptar WorldParticle a más sistemas físicos en el futuro, promoviendo descubrimientos científicos.

Investigadores del Massachusetts Institute of Technology (MIT) y de la Universidad de Columbia Británica (UBC) han desarrollado un diseño de simulador basado en transformadores que puede predecir el movimiento de partículas en seis tipos de sistemas físicos, incluyendo arena y proteínas, según un artículo y un comunicado del MIT. Los simuladores físicos tradicionales suelen ser construidos para tareas específicas, y las ecuaciones utilizadas por un solucionador de fluidos son diferentes de las empleadas por un solucionador de plegamiento de proteínas, y cada solucionador debe ser codificado manualmente. El nuevo sistema, llamado WorldParticle, busca reemplazar estos programas independientes con un diseño de aprendizaje, aunque cada tipo de material todavía tendrá su propia red de entrenamiento.

WorldParticle trata cada material como un grupo de partículas, rastreando cada partícula según su posición y velocidad, y prediciendo gradualmente su siguiente ubicación. El profesor asistente de UBC y coautor correspondiente, Peter Yichen Chen, compara este enfoque con ChatGPT, un modelo que predice texto palabra por palabra.

Cómo funciona el simulador WorldParticle

El equipo dividió cada paso en dos partes en un preprint en arXiv. Primero, se realizan cálculos básicos, moviendo partículas de acuerdo con fuerzas externas conocidas (como la fuerza de empuje). Luego, se ajustan las posiciones y velocidades mediante un corrector de aprendizaje para tener en cuenta las interacciones entre partículas. Para reducir el costo computacional, el modelo agrupa partículas similares en etiquetas de resumen más pequeñas, y luego transmite la información de vuelta a cada partícula.

Los investigadores entrenaron redes independientes para seis categorías (telas, sólidos elásticos, dos fluidos, arena y movimiento de proteínas), utilizando datos de entrenamiento de solucionadores existentes. Según el informe del artículo, el modelo mostró un menor error y mayor estabilidad en simulaciones prolongadas en comparación con otros tres simuladores neuronales en tareas de fluidos, telas y arena. Estos competidores generaron partículas de arena suspendidas y telas que explotaban en simulaciones a largo plazo. El paso de ejecución de proteínas es de 50 femtosegundos, que es 100 veces el paso de 0.5 femtosegundos de las simulaciones moleculares tradicionales. Un femtosegundo es 10 a la potencia de -15 segundos.

Direcciones futuras del modelo

Debido a que el primer paso maneja directamente las fuerzas externas, el modelo puede reaccionar a empujes no vistos durante el entrenamiento. El equipo ha creado una herramienta en tiempo real que permite a los usuarios aplicar fuerzas a objetos suaves. En tres segmentos de video de operaciones en el mundo real, el movimiento predicho coincide en masa con el movimiento observado, aunque el artículo no reporta datos de error. También se aplican varias limitaciones. El artículo señala que la memoria es la principal limitación: la primera capa observa simultáneamente cada partícula, lo que limita la escena a aproximadamente 50,000 partículas, utilizando una sola GPU de 80GB.

Los autores también indican que el trabajo futuro se centrará en compartir un conjunto de pesos entre todas las categorías, y que la precisión del modelo se ve comprometida en comparación con los solucionadores dedicados. "Esperamos lograr un momento GPT en la simulación", dice el profesor Chen, describiendo un modelo básico que espera ser aplicable a cualquier escenario. El equipo planea adaptar WorldParticle a más sistemas físicos, incluyendo tareas de robots flexibles, y avanzar hacia un pipeline de simulación general para descubrimientos científicos, según el MIT.

Impacto de WorldParticle en la simulación física

El desarrollo del simulador WorldParticle marca un gran avance en la tecnología de simulación física, permitiendo predecir de manera efectiva el movimiento de partículas en múltiples sistemas físicos a través de un diseño basado en transformadores. Esto no solo mejora la precisión de las simulaciones, sino que también reduce los costos computacionales, especialmente en términos de estabilidad en simulaciones a largo plazo. Con planes futuros para aplicarlo a más sistemas físicos, esta tecnología podría desempeñar un papel importante en la robótica flexible y otros campos de investigación científica, impulsando el desarrollo adicional de tecnologías relacionadas.

H
Sobre el autor
Henderson