WorldParticle, do MIT, substitui vários simuladores por uma única rede neural e simula proteínas 100 vezes mais rápido

Se você já precisou montar uma simulação, conhece o problema: água exige um solver, corpos elásticos exigem outro, materiais granulares precisam de um terceiro, e o enovelamento de proteínas é um universo à parte. Cada solver é programado manualmente para equações específicas. Pesquisadores do MIT, da Universidade da Colúmbia Britânica e de outras organizações propõem substituir esse conjunto de ferramentas por um único modelo chamado WorldParticle.

Como funciona

A ideia é simples. Qualquer material, seja uma duna ou uma molécula de proteína, é convertido em uma nuvem de minúsculas partículas 3D, na chamada representação lagrangiana. A rede neural recebe as posições e as propriedades físicas das partículas e fornece seu estado no quadro seguinte. Depois, o ciclo se repete.

Os próprios autores fazem uma analogia com os modelos de linguagem: a arquitetura transformer é a mesma, mas, em vez de prever a próxima palavra, o modelo prevê para onde as partículas vão se mover. A abordagem clássica exige obter, a partir de uma equação, uma fórmula adequada a um solver numérico e repetir esse processo para cada material. Aqui, a rede aprende a resolver equações da dinâmica de forma geral, sem programar explicitamente uma física específica.

Há também um recurso de engenharia. Antes de cada passo, o modelo separa as forças externas, como o impacto de uma onda contra uma barragem. Depois de prever o estado básico das partículas, ele reincorpora essas forças e corrige o resultado. Isso permite que o sistema generalize para materiais, condições e interações que não encontrou durante o treinamento.

Escala e resultados

Um objeto pode conter milhões de partículas, algo que um transformer não consegue processar por força bruta. Por isso, a equipe acrescentou uma técnica de fusão: as partículas são agrupadas e comprimidas, mas os detalhes de seu comportamento são preservados. Segundo os autores, tornar a arquitetura realmente escalável exigiu muito trabalho cuidadoso de engenharia.

O modelo foi demonstrado em seis tipos de fenômenos, incluindo objetos deformáveis, materiais granulares e proteínas. Sua precisão superou a dos métodos numéricos. Em um exemplo com areia desmoronando, alguns métodos de referência deixavam partículas suspensas no ar, enquanto o WorldParticle formava uma pilha normal. O modelo simula a dinâmica das proteínas ao longo do tempo aproximadamente 100 vezes mais rápido que os simuladores numéricos.

A principal vantagem prática está nos problemas acoplados. Por exemplo, simular petróleo que se agita contra uma válvula elástica dentro de um reservatório normalmente exige conectar dois simuladores diferentes. Um modelo unificado pode simular toda a interação. A mesma abordagem permite estudar como um solo solto se comporta ao entrar em contato com um robô flexível.

Limitações e implicações

É preciso manter os pés no chão. Trata-se de um trabalho de pesquisa que será apresentado na SIGGRAPH Asia, e não de um produto pronto. Os autores falam em um «momento GPT para a simulação» como objetivo, não como algo já alcançado. As comparações são feitas com métodos numéricos e abordagens neurais de referência em testes específicos, e ainda não está claro como o modelo se comportará em problemas de engenharia com exigências rigorosas de precisão e correção física. Por enquanto, as aplicações em RNA, astrofísica e robótica flexível foram apenas anunciadas como planos.

Para desenvolvedores e fundadores, a conclusão é esta: se você trabalha com simulações em ciência dos materiais, biotecnologia, robótica ou computação gráfica, vale acompanhar essa área. Os modelos fundacionais para a física estão gradualmente seguindo o caminho dos modelos de linguagem. Um único preditor de uso geral que possa receber ajuste fino, substituindo uma dúzia de solvers especializados, pode reduzir consideravelmente os custos de desenvolvimento e acelerar a exploração de alternativas. Por enquanto, vale consultar a página do projeto e o artigo, avaliar em quais das suas tarefas essa abordagem poderia substituir um solver caro e examinar os dados sintéticos de simuladores clássicos usados para treinar esses modelos.