WorldParticle: единая архитектура ИИ-симулятора моделирует песок, жидкости, ткани и молекулы

Сегодня для компьютерного моделирования разных физических процессов обычно применяют специализированные инструменты. Один симулятор рассчитывает движение жидкости, другой — деформацию твёрдого тела, третий — взаимодействие частиц в гранулированной среде. Каждый из них создаётся с учётом конкретных физических закономерностей и требует отдельной математической модели и вычислительного решателя.

WorldParticle предлагает более универсальный подход. Вместо разработки специализированного симулятора для каждого типа вещества исследователи используют общую архитектуру нейронной сети, которая обучается прогнозировать движение частиц. Это позволяет применять один и тот же принцип моделирования к физическим системам с существенно различающимися свойствами.

Впрочем, здесь важно уточнить: речь пока идёт об общей архитектуре, а не об одной нейросети с единым набором весов, способной без дополнительного обучения моделировать любые материалы. В научной работе авторы указывают, что для каждой категории физических процессов обучается отдельная модель. Создание действительно универсальной модели с общими параметрами остаётся следующим этапом исследований.

От песчинок до белковых молекул

В основе WorldParticle лежит лагранжево описание физических систем. Объект представляется множеством небольших трёхмерных частиц, каждая из которых имеет координаты, скорость и другие физические характеристики. В зависимости от масштаба моделируемой системы их количество может составлять от тысяч до миллионов.

Нейросеть получает сведения о текущем состоянии частиц и прогнозирует их положение и характеристики на следующем шаге симуляции. Последовательно повторяя эту операцию, система воспроизводит изменение объекта во времени.

Такой подход отличается от традиционного численного моделирования. В классических симуляторах поведение вещества описывается системой управляющих уравнений, которые необходимо преобразовать в вычислительный алгоритм. Для каждого нового физического процесса приходится подбирать соответствующие уравнения и разрабатывать или настраивать численный решатель.

В WorldParticle нейросеть обучается выявлять закономерности движения частиц и прогнозировать их взаимодействие. При этом архитектура использует двухэтапную схему. Сначала учитывается воздействие известных внешних сил — например, импульса волны, ударяющейся о береговую стену. Затем нейросеть корректирует промежуточный прогноз, рассчитывая изменения положения и скорости частиц с учётом их взаимодействия друг с другом и с границами моделируемой области.

Таким образом, внешние воздействия не просто остаются частью обучающих данных: они явно учитываются в процессе расчёта. По замыслу разработчиков, это помогает моделям работать с различными конфигурациями сил и условиями, которые не встречались при обучении.

«Архитектура похожа на ChatGPT. Но вместо того, чтобы предсказывать слово за словом при создании текста, мы предсказываем движение частиц — шаг за шагом», — поясняет Питер Йихен Чен (Peter Yichen Chen), бывший постдокторант MIT, ныне доцент Университета Британской Колумбии и один из авторов исследования.

Как обрабатывать миллионы частиц

Одна из основных вычислительных проблем такого моделирования — количество частиц. Чем сложнее объект и подробнее его представление, тем больше данных необходимо обрабатывать на каждом шаге. Прямое моделирование взаимодействий миллионов частиц быстро становится слишком затратным даже для современных вычислительных систем.

Для решения этой проблемы исследователи применили механизм объединения и сжатия частиц. Он позволяет сводить информацию о большом количестве элементов к компактному представлению, сохраняя возможность учитывать локальные особенности их поведения.

В архитектуре используются несколько уровней обработки. Сначала сеть анализирует локальные взаимодействия частиц, а затем объединяет их представления в более крупные группы — так называемые супер-токены. На последующих этапах информация снова преобразуется к уровню отдельных частиц, чтобы вычислить поправки к их координатам и скоростям. Это позволяет сочетать анализ локальных деталей с учётом более масштабных взаимосвязей внутри системы.

По словам соавтора работы Минхао Го (Minghao Guo), для достижения масштабируемости и способности обобщать результаты исследователям пришлось существенно доработать архитектуру и реализовать ряд дополнительных механизмов.

Шесть типов физических процессов

Работоспособность подхода продемонстрировали на шести категориях физических систем. В их число вошли ткани, упругие твёрдые тела, ньютоновские и неньютоновские жидкости, гранулированные материалы и молекулярная динамика.

В частности, WorldParticle воспроизводит разрушение и осыпание гранулированных объектов. В некоторых традиционных методах моделирования отдельные частицы после обрушения могут оставаться в воздухе, тогда как разработанная система лучше передаёт формирование устойчивой насыпи.

Авторы также сообщают о результатах моделирования белковых структур. В этом случае система использует временной шаг 50 фемтосекунд — в 100 раз больше, чем шаг 0,5 фемтосекунды, применяемый в традиционных симуляциях, с которыми проводится сравнение. Это позволяет моделировать более продолжительные интервалы молекулярной динамики за меньшее количество вычислительных шагов. Однако данный показатель не следует напрямую трактовать как стократное сокращение общего времени вычислений: он характеризует прежде всего размер временного шага.

Разработчики сообщают о более высокой точности WorldParticle по сравнению с рядом существующих методов численного моделирования. При этом в самой научной работе сравнительные количественные результаты представлены для отдельных задач и других нейросетевых симуляторов. Авторы также признают, что универсальность архитектуры может сопровождаться некоторым снижением точности по сравнению со специализированными методами, разработанными под конкретный физический процесс.

От симуляции к научным открытиям

Потенциальные области применения WorldParticle выходят далеко за рамки компьютерной графики и моделирования отдельных материалов. Например, система может помочь исследовать взаимодействие жидкости с деформируемыми конструкциями. Один из сценариев, который приводят авторы, — моделирование воздействия колеблющейся нефти на эластичный клапан резервуара.

Другой возможный вариант — изучение поведения песка или грунта при контакте с мягкими роботами. Подобные задачи требуют одновременно учитывать механику деформируемых объектов и движение гранулированной среды. В перспективе архитектуру также предполагается адаптировать для моделирования эволюции РНК и астрофизических процессов, в том числе слияния галактик.

Исследование возглавляли специалисты MIT и UBC. Среди авторов — Питер Йихен Чен, Минхао Го, аспиранты UBC Цаоли Ван (Caoliwen Wang) и Сиюань Чен (Siyuan Chen), а также профессор MIT Войцех Матусик (Wojciech Matusik). В работе участвовали исследователи из Georgia Tech, Inria, Meta, Пенсильванского университета, Университета Юты, Калифорнийского университета в Лос-Анджелесе и Гонконгского университета.

Препринт исследования «WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer» опубликован в открытом доступе на arXiv в мае 2026 года. Представить результаты авторы планируют на конференции ACM SIGGRAPH Asia.

Питер Йихен Чен называет эту работу первым шагом к появлению фундаментальной модели для физических симуляций — по аналогии с тем, как большие языковые модели изменили обработку текста. По его замыслу, исследователям не придётся каждый раз создавать симулятор с нуля: достаточно будет задать физическую систему и условия её работы.

Однако до такого сценария ещё далеко. Пока WorldParticle использует отдельные обученные модели для разных категорий физических процессов, а её универсальность ограничена возможностями выбранной архитектуры и вычислительными ресурсами. Главный вопрос дальнейшего развития проекта — удастся ли объединить разные физические режимы не только общим принципом вычислений, но и одной моделью, которая действительно сможет переносить приобретённые знания между несхожими системами.