WorldParticle من MIT يستبدل مجموعة من المحاكيات بشبكة عصبية واحدة ويحاكي البروتينات بسرعة أعلى بـ100 مرة

إذا سبق لك إعداد محاكاة، فأنت تعرف هذه المعاناة: تحتاج إلى خوارزمية حل للماء، وأخرى للأجسام المرنة، وثالثة للمواد الحبيبية، أما طيّ البروتينات فله عالم مستقل تمامًا. وتُبرمج كل خوارزمية يدويًا لتناسب معادلات بعينها. يقترح باحثون من MIT وجامعة كولومبيا البريطانية وعدد من المؤسسات الأخرى استبدال هذه التشكيلة المتفرقة بنموذج واحد يحمل اسم WorldParticle.

كيف يعمل

الفكرة بسيطة. تُحوَّل أي مادة، سواء كانت كثيبًا رمليًا أو جزيء بروتين، إلى سحابة من جسيمات دقيقة ثلاثية الأبعاد، فيما يُعرف بالتمثيل اللاغرانجي. تستقبل الشبكة العصبية مواقع الجسيمات وخصائصها الفيزيائية، وتنتج حالتها في الإطار التالي، ثم تتكرر الدورة.

يشبّه الباحثون أنفسهم هذا النهج بالنماذج اللغوية: بنية المحوّل هي نفسها، لكن النموذج يتنبأ بالمكان الذي ستنتقل إليه الجسيمات بدلًا من الكلمة التالية. أما النهج التقليدي، فيتطلب اشتقاق صيغة من المعادلة تصلح لخوارزمية حل عددية، وتكرار ذلك مع كل مادة. هنا تتعلم الشبكة حل معادلات الديناميكيات بصورة عامة، من دون برمجة قواعد فيزيائية محددة بشكل ثابت.

وهناك أيضًا حيلة هندسية. قبل كل خطوة، يفصل النموذج القوى الخارجية، مثل ارتطام موجة بسدّ، ثم يعيد إدخالها بعد التنبؤ بالحالة الأساسية للجسيمات ويصحح النتيجة. وبفضل ذلك، يستطيع النظام تعميم ما تعلمه على مواد وظروف ومؤثرات لم يرها أثناء التدريب.

قابلية التوسع والنتائج

قد يتكون الجسم من ملايين الجسيمات، وهو حجم لا يستطيع نموذج المحوّل التعامل معه مباشرة. لذلك أضاف الفريق تقنية دمج تجمع الجسيمات وتضغط تمثيلها، مع الحفاظ على التفاصيل الدقيقة لسلوكها. وبحسب الباحثين، تطلب جعل البنية قابلة للتوسع فعلًا قدرًا كبيرًا من العمل الهندسي الدقيق.

عُرض النموذج على ستة أنواع من الظواهر، من بينها الأجسام القابلة للتشوه والمواد الحبيبية والبروتينات وغيرها. وجاءت دقته أعلى من الطرق العددية. ففي مثال للرمل المنهار، تركت بعض الطرق المرجعية جسيمات معلقة في الهواء، بينما شكّل WorldParticle كومة طبيعية. ويحسب النموذج تطور ديناميكيات البروتينات مع الزمن بسرعة تفوق المحاكيات العددية بنحو 100 مرة.

وتتمثل أبرز فائدة عملية في المسائل المقترنة. فمحاكاة نفط يتلاطم مع صمام مرن داخل خزان، مثلًا، تتطلب عادة ربط محاكيين مختلفين. أما النموذج الموحد، فيمكنه محاكاة المشهد كاملًا. ويمكن بالطريقة نفسها دراسة سلوك التربة الحبيبية عند ملامستها روبوتًا لينًا.

القيود ودلالات هذا التطور

ينبغي النظر إلى الأمر بواقعية. فهذا عمل بحثي سيُعرض في SIGGRAPH Asia، وليس منتجًا جاهزًا. ويتحدث الباحثون عن «لحظة GPT للمحاكاة» بوصفها هدفًا، لا إنجازًا تحقق بالفعل. وتقتصر المقارنات على طرق عددية وأساليب مرجعية قائمة على الشبكات العصبية ضمن اختبارات محددة، ولا يزال من غير الواضح كيف سيتصرف النموذج في المسائل الهندسية التي تفرض متطلبات صارمة للدقة والصحة الفيزيائية. أما تطبيقه على الحمض النووي الريبي RNA والفيزياء الفلكية والروبوتات اللينة، فلا يزال ضمن الخطط المعلنة فقط.

بالنسبة إلى المطورين ومؤسسي الشركات، فالخلاصة العملية هي الآتية: إذا كنتم تعملون بالمحاكاة في علوم المواد أو التقنية الحيوية أو الروبوتات أو الرسوميات، فهذا اتجاه يستحق المتابعة؛ إذ تسير النماذج التأسيسية للفيزياء تدريجيًا على خطى النماذج اللغوية. وقد يسهم نموذج تنبؤ عام واحد، قابل للتكييف بتدريب إضافي، بدلًا من نحو عشر خوارزميات حل متخصصة، في خفض تكاليف التطوير بصورة ملحوظة وتسريع استكشاف البدائل. وفي الوقت الراهن، من المفيد الاطلاع على صفحة المشروع والورقة البحثية، وتقييم المهام لديكم التي قد يتيح فيها هذا النهج الاستغناء عن خوارزمية حل مكلفة، وإلقاء نظرة على البيانات الاصطناعية التي تنتجها المحاكيات التقليدية وتُستخدم لتدريب هذه النماذج.