WorldParticle от MIT заменяет набор симуляторов одной нейросетью и считает белки в 100 раз быстрее

Если вам когда-нибудь приходилось собирать симуляцию, вы знаете эту боль: для воды нужен один солвер, для упругих тел другой, для сыпучих материалов третий, а для сворачивания белков вообще отдельная вселенная. Каждый пишется вручную под конкретные уравнения. Исследователи из MIT, Университета Британской Колумбии и ряда других организаций предлагают заменить этот зоопарк одной моделью под названием WorldParticle.

Как это устроено

Идея проста. Любой материал, будь то дюна или молекула белка, превращается в облако крошечных 3D-частиц (так называемое лагранжево представление). Нейросеть получает на вход положения и физические свойства частиц, а на выходе выдаёт их состояние в следующем кадре. Дальше цикл повторяется.

Авторы сами проводят аналогию с языковыми моделями: архитектура трансформера та же, но вместо следующего слова модель предсказывает, куда сдвинутся частицы. Классический подход требует вывести из уравнения формулу, пригодную для численного солвера, и повторять это для каждого материала. Здесь сеть учится решать уравнения динамики «вообще», без жёсткого кодирования конкретной физики.

Есть и инженерный трюк. Перед каждым шагом модель отделяет внешние силы, например удар волны о дамбу, а после предсказания базового состояния частиц подмешивает их обратно и корректирует результат. Благодаря этому система обобщается на материалы, условия и воздействия, которых не видела при обучении.

Масштаб и результаты

У объекта могут быть миллионы частиц, и в лоб трансформер такое не вытянет. Поэтому команда добавила технику слияния: частицы объединяются и сжимаются, но мелкие детали поведения сохраняются. По словам авторов, на это ушло много аккуратной инженерии, чтобы архитектура была действительно масштабируемой.

Модель показали на шести типах явлений: деформируемые объекты, гранулированные материалы, белки и другие. Точность оказалась выше, чем у численных методов. В примере с осыпающимся песком часть базовых методов оставляла частицы висеть в воздухе, а WorldParticle собирала нормальную кучу. Динамику белков во времени модель считает примерно в 100 раз быстрее численных симуляторов.

Главный практический бонус — связанные задачи. Например, нефть, плещущаяся о упругий клапан в резервуаре, обычно требует стыковки двух разных симуляторов. Единая модель может считать это целиком. Так же можно изучать, как сыпучий грунт ведёт себя при касании мягкого робота.

Ограничения и что это значит

Стоит трезво смотреть на вещи. Это исследовательская работа, которую представят на SIGGRAPH Asia, а не готовый продукт. Авторы говорят о «GPT-моменте для симуляции» как о цели, а не о свершившемся факте. Сравнения идут с численными методами и базовыми нейросетевыми подходами в конкретных тестах, и как модель поведёт себя в инженерных задачах с жёсткими требованиями к точности и физической корректности, пока неясно. Планы по применению к РНК, астрофизике и мягкой робототехнике пока только заявлены.

Для разработчиков и основателей вывод такой. Если вы работаете с симуляциями в материаловедении, биотехе, робототехнике или графике, стоит следить за этим направлением: фундаментальные модели для физики постепенно повторяют путь языковых моделей. Один универсальный предсказатель с дообучением вместо десятка специализированных солверов может заметно сократить стоимость разработки и ускорить перебор вариантов. Пока имеет смысл посмотреть страницу проекта и статью, оценить, на каких ваших задачах такой подход мог бы заменить дорогой солвер, и присмотреться к синтетическим данным от классических симуляторов, которыми такие модели обучаются.