Wissenschaftliche Simulation ist heute ein Werkzeugkasten voller Spezialisten. Ein Löser für fließendes Wasser weiß nichts über Proteinfaltung, und jeder wird von Hand um die Gleichungen seines eigenen Problems gebaut. Ein Team vom MIT, der University of British Columbia und mehreren anderen Einrichtungen will dieses Flickwerk durch ein einziges gelerntes Modell ersetzen; die erste Version, WorldParticle, wird auf der Grafikkonferenz SIGGRAPH Asia vorgestellt.
Der Ansatz ist schnell erklärt. Jedes Material, von einer Sanddüne bis zu einem Proteinmolekül, wird in Tausende oder Millionen winziger 3D-Punkte zerlegt, eine sogenannte Lagrange-Darstellung. Ein Transformer, dieselbe Netzfamilie wie hinter ChatGPT, nimmt Positionen und physikalische Eigenschaften dieser Teilchen auf und sagt Schritt für Schritt vorher, wo sie im nächsten Bild sein werden. Die Forschenden vergleichen das mit der Vorhersage des nächsten Wortes, nur für Materie. Äußere Kräfte, etwa eine Welle, die gegen eine Kaimauer schlägt, werden vor jedem Schritt herausgerechnet und danach wieder eingefügt; laut Team hilft das dem Modell bei Materialien, Kräften und Bedingungen, die es im Training nicht gesehen hat. Eine Zusammenführungstechnik verdichtet Teilchen, damit sehr große Szenen handhabbar bleiben.
Das Team berichtet Ergebnisse für sechs Arten physikalischer Phänomene, darunter verformbare Objekte, körnige Materialien und Proteine, mit höherer Genauigkeit als die verglichenen numerischen Methoden. In einem Beispiel ließen Vergleichsverfahren Sandkörner in der Luft schweben, während WorldParticle den Haufen wie erwartet zusammenfallen ließ. Bei Strukturänderungen von Proteinen lief es etwa 100-mal schneller als numerische Simulatoren.
Der Reiz liegt in der Kopplung. Viele echte Ingenieurprobleme mischen Bereiche, etwa Öl, das gegen ein flexibles Ventil schwappt, oder ein weicher Roboter, der in Erde drückt, und heute heißt das, zwei Simulatoren zusammenzuflicken. Ein einziges Modell für beides könnte solche Studien stark vereinfachen. Die Forschenden sprechen von einem ersten Schritt zu einem Foundation-Modell für Simulation, mit künftigen Zielen von RNA bis zu verschmelzenden Galaxien.
Die Belege stammen bislang aus einer Pressemitteilung der Universität und dem frei zugänglichen Paper dahinter, und die Pressemitteilung nennt außer der 100-fachen Beschleunigung kaum Zahlen. Gelernte Simulatoren können bei langen Läufen auf eine Weise abdriften, wie es klassischen, auf Erhaltungssätzen beruhenden Lösern nicht passiert, und Ingenieure in sicherheitskritischen Bereichen werden Fehlerschranken sehen wollen, bevor sie ein validiertes Werkzeug ersetzen. Wie gut das Modell auf Materialien weit jenseits seiner Trainingsdaten verallgemeinert, ist die Behauptung, die am dringendsten unabhängig geprüft werden muss.