La simulación científica actual es una caja de herramientas de especialistas. Un solucionador para agua en movimiento no sabe nada del plegamiento de proteínas, y cada uno se construye a mano en torno a las ecuaciones de su propio problema. Un equipo del MIT, la Universidad de Columbia Británica y otras instituciones quiere sustituir ese mosaico por un único modelo aprendido, y su primera versión, WorldParticle, se presentará en el congreso de gráficos SIGGRAPH Asia.
El enfoque se explica fácil. Cualquier material, de una duna de arena a una molécula de proteína, se divide en miles o millones de diminutos puntos 3D, la llamada representación lagrangiana. Un transformer, la misma familia de redes que hay detrás de ChatGPT, toma las posiciones y propiedades físicas de esas partículas y predice dónde estarán en el siguiente fotograma, paso a paso. Los investigadores lo comparan con predecir la siguiente palabra, pero con materia. Las fuerzas externas, como una ola que golpea un rompeolas, se separan antes de cada paso y se reincorporan después, lo que según el equipo ayuda al modelo con materiales, fuerzas y condiciones que no vio en el entrenamiento. Una técnica de fusión comprime partículas para que las escenas muy grandes sigan siendo manejables.
El equipo presenta resultados en seis tipos de fenómenos físicos, entre ellos objetos deformables, materiales granulares y proteínas, con más precisión que los métodos numéricos con los que se comparó. En un ejemplo, los métodos de referencia dejaban granos de arena suspendidos en el aire, mientras que WorldParticle dejaba que el montón se desplomara como debía. En cambios de estructura de proteínas, funcionó unas 100 veces más rápido que los simuladores numéricos.
El atractivo está en el acoplamiento. Muchos problemas reales de ingeniería mezclan regímenes, como el aceite que se agita contra una válvula flexible o un robot blando que se hunde en el suelo, y hoy eso obliga a unir dos simuladores. Un único modelo que maneje ambos podría simplificar mucho esos estudios. Los investigadores lo describen como un primer paso hacia un modelo fundacional para la simulación, con objetivos futuros que van del ARN a la fusión de galaxias.
Las pruebas proceden por ahora de una nota de prensa universitaria y del artículo de acceso abierto que la respalda, y la nota da pocas cifras aparte de la aceleración de 100 veces. Los simuladores aprendidos pueden desviarse en ejecuciones largas de formas que no les ocurren a los solucionadores clásicos, basados en leyes de conservación, y los ingenieros de ámbitos críticos para la seguridad querrán cotas de error antes de sustituir una herramienta validada. Hasta qué punto generaliza a materiales muy alejados de sus datos de entrenamiento es la afirmación que más necesita pruebas independientes.