MIT-Forscher entwickeln ein KI-Modell für Sand, Flüssigkeiten und Proteine
Forscher am MIT, an der University of British Columbia und weiteren Einrichtungen haben WorldParticle entwickelt, ein einziges Deep-Learning-System zur Simulation unterschiedlichster physikalischer Phänomene. Das Modell stellt Materialien als Partikel dar und sagt voraus, wie sie sich bewegen. Dadurch könnte es separate Simulatoren für verschiedene Prozesse ersetzen.
- WorldParticle simuliert mehrere physikalische Phänomene mit einer einzigen KI-Architektur.
- Das System stellt Materialien als Partikel dar und sagt ihre Bewegung Schritt für Schritt voraus.
- Das System wurde an sechs Phänomenen getestet, darunter Proteine und granulare Materialien.
- Die Forscher berichten, dass Proteinsimulationen etwa 100-mal schneller als mit numerischen Simulatoren laufen.
- Mögliche künftige Anwendungen sind weiche Roboter, RNA-Evolution und Galaxienverschmelzungen.
Ein Modell für viele physikalische Systeme
Wissenschaftler wählen normalerweise für jeden physikalischen Prozess einen spezialisierten Simulator. Ein Werkzeug kann etwa fließendes Wasser modellieren, während ein anderes für die Proteinfaltung entwickelt wurde. Diese Systeme sind meist rund um die Gleichungen, die ein bestimmtes Material oder einen bestimmten Prozess beschreiben, von Hand programmiert.
WorldParticle verfolgt einen anderen Ansatz. Das System stellt alles, von einer Sanddüne bis zu einem Proteinmolekül, als Tausende oder Millionen winziger dreidimensionaler Partikel dar. Anschließend sagt es Schritt für Schritt die Positionen und physikalischen Eigenschaften der Partikel voraus.
Nach Angaben der Forscher könnte diese einheitliche Architektur Kombinationen physikalischer Systeme modellieren, für die ansonsten separate Werkzeuge erforderlich wären. Ein Beispiel ist eine Flüssigkeit, die gegen einen verformbaren Festkörper schwappt, etwa Öl, das in einem Lagertank auf ein elastisches Ventil einwirkt. Das System könnte Ingenieuren außerdem dabei helfen zu untersuchen, wie sich Sand oder Erde bewegt, wenn ein weicher Roboter damit in Kontakt kommt.
Bewegungen lernen statt einen neuen Solver einzusetzen
WorldParticle nutzt ein neuronales Netzwerk, um zu lernen, wie Partikel auf Materialien, Kräfte und Umgebungen reagieren. Statt für jede zugrunde liegende Gleichung einen neuen numerischen Solver zu entwickeln, verarbeitet das Modell die dreidimensionalen Positionen und physikalischen Eigenschaften der Partikel als Eingaben und sagt ihren Zustand im nächsten Simulationsschritt voraus.
Das System trennt außerdem vor jedem Simulationsschritt externe Kräfte ab und integriert diese Kräfte anschließend wieder in seine Vorhersagen. Nach Angaben der Forscher kann sich WorldParticle dadurch an Materialien, Umweltbedingungen und Kräfte anpassen, die während des Trainings nicht vorhanden waren.
Da komplexe Objekte Millionen von Partikeln enthalten können, entwickelte das Team eine Zusammenführungstechnik, die Partikel kombiniert und komprimiert, während sie feingranulare Details bewahrt. Damit sollte das Framework besser skalierbar werden, ohne das für die Simulation erforderliche Verhalten zu verlieren.
„Die Architektur ähnelt ChatGPT. Aber anstatt ein Wort nach dem anderen vorherzusagen, um einen Text zu schreiben, sagen wir voraus, wie sich diese Partikel bewegen, Schritt für Schritt“, sagte Peter Yichen Chen, ein ehemaliger Postdoktorand am MIT und inzwischen Assistenzprofessor an der UBC.
Ergebnisse bei sechs Phänomenen
Die Forscher demonstrierten WorldParticle an sechs unterschiedlichen physikalischen Phänomenen, darunter verformbare Objekte, granulare Materialien und Proteine. MIT News berichtet, dass das System bei diesen Tests eine höhere Genauigkeit als numerische Simulationsverfahren erreichte.
In einem Beispiel modellierte WorldParticle, wie ein Granulatobjekt zu einem Haufen zusammenfällt, während einige Vergleichsverfahren Sandpartikel in der Luft schweben ließen. Die Methode modellierte außerdem Veränderungen der Proteinstrukturen im Zeitverlauf etwa 100-mal schneller als numerische Simulatoren, wie Minghao Guo, Postdoktorand am MIT sowie korrespondierender und gleichberechtigter Hauptautor der Studie, erklärte.
Die Arbeit wird in der frei zugänglichen Studie „WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer“ beschrieben. Die Forschung wird auf der ACM SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asia vorgestellt.
Eine mögliche Grundlage für wissenschaftliche Simulationen
Chen sagte, die Forscher wollten ein Basismodell entwickeln, das „out of the box“ in unterschiedlichen Simulationsszenarien funktionieren kann. Das Team hofft, dass WorldParticle künftig die Forschung an neuen Materialien und physikalischen Prozessen unterstützt, die sich mit bestehenden Methoden nur schwer untersuchen lassen.
Zu den von den Forschern genannten möglichen Anwendungen gehören die Manipulation mit weichen Robotern, die RNA-Evolution und astrophysikalische Phänomene wie verschmelzende Galaxien. Außerdem wollen sie eine umfassendere Simulationspipeline für wissenschaftliche Entdeckungen entwickeln.
Für Ingenieure und Wissenschaftler liegt die Bedeutung der Arbeit darin, unterschiedliche physikalische Regime in einem Framework zu verbinden. Nach Ansicht der Forscher könnte dies die Untersuchung vernetzter Systeme erleichtern und Verhaltensweisen sichtbar machen, die separate Simulatoren möglicherweise übersehen. Das System ist jedoch weiterhin ein Forschungsprojekt und wird auf zusätzliche physikalische Systeme ausgeweitet.
