Инженерам и учёным обычно приходится подбирать отдельный вычислительный инструмент под каждый физический процесс: один симулятор для потока воды, другой - для того, как сворачивается белок. Каждую такую программу вручную настраивают под конкретные уравнения. Группа исследователей из Массачусетского технологического института (MIT), Университета Британской Колумбии (UBC) и других организаций предложила заменить эту мозаику одной системой на основе глубокого обучения - WorldParticle.

В основе подхода - представление любого материала в виде множества мельчайших трёхмерных точек, или частиц. Такой способ описания называют лагранжевым представлением: система отслеживает положение и скорость каждой частицы во времени и пространстве. Нейросеть получает на вход координаты и физические свойства частиц и предсказывает их состояние на следующем шаге - примерно через секунду модельного времени.

"Архитектура похожа на ChatGPT, но вместо предсказания следующего слова мы предсказываем, как частицы переместятся на один шаг", - поясняет Питер Ичэнь Чэнь, бывший постдок MIT, а ныне доцент UBC и один из соответствующих авторов работы.

Перед каждым шагом модель отдельно учитывает внешние силы, например импульс, с которым волна ударяет в стену. После предсказания система возвращает эти силы в расчёт и корректирует результат. Благодаря этому WorldParticle может работать с материалами, условиями и нагрузками, которых не было при обучении.

Чтобы справиться с миллионами частиц, исследователи применили метод слияния и сжатия частиц, сохраняя при этом мелкие детали поведения. На шести типах физических явлений - от деформируемых объектов до гранулированных материалов и белков - модель показала более высокую точность, чем численные методы. В частности, она корректно описала, как песчаная масса оседает в кучу, тогда как некоторые базовые методы оставляли частицы "висеть" в воздухе. А изменение структуры белка во времени WorldParticle смоделировала примерно в 100 раз быстрее численных симуляторов.

Авторы подчёркивают: это пока первый шаг, а не готовый продукт. В перспективе они надеются, что единая модель поможет изучать новые материалы и явления, которые трудно исследовать существующими методами. Работа опубликована как препринт на сервере arXiv и будет представлена на конференции SIGGRAPH Asia 2026 в Куала-Лумпуре (Малайзия) 1-4 декабря.

Источник: Tech Xplore