오늘날 과학 시뮬레이션은 전문가들만 모인 공구함과 같습니다. 흐르는 물을 다루는 솔버는 단백질 접힘에 대해 아무것도 모르고, 각각은 자기 문제의 방정식에 맞춰 손으로 만들어집니다. MIT와 브리티시컬럼비아 대학교 등 여러 기관의 팀은 이 조각 모음을 학습된 모델 하나로 바꾸려 하며, 첫 버전인 WorldParticle을 컴퓨터 그래픽스 학회 SIGGRAPH Asia에서 발표합니다.
방식은 간단히 설명됩니다. 모래 언덕부터 단백질 분자까지 어떤 물질이든 수천에서 수백만 개의 작은 3D 점으로 쪼갭니다. 이른바 라그랑주 표현입니다. ChatGPT 뒤에 있는 것과 같은 계열의 신경망인 트랜스포머가 이 입자들의 위치와 물리적 성질을 받아, 다음 프레임에서 입자가 어디에 있을지를 한 단계씩 예측합니다. 연구진은 이를 다음 단어를 예측하는 일을 물질에 적용한 것에 비유합니다. 방파제에 부딪히는 파도 같은 외력은 각 단계 전에 분리했다가 뒤에 다시 더하는데, 팀은 이 방식이 학습 때 보지 못한 물질, 힘, 조건을 다루는 데 도움이 된다고 설명합니다. 입자를 합쳐 압축하는 기법으로 매우 큰 장면도 다룰 수 있게 했습니다.
팀은 변형 물체, 알갱이 물질, 단백질 등 여섯 종류의 물리 현상에서 비교한 수치 해석 방법보다 높은 정확도를 보고했습니다. 한 예에서는 비교 방법들이 모래알을 공중에 떠 있게 둔 반면, WorldParticle에서는 모래 더미가 제대로 무너졌습니다. 단백질 구조 변화에서는 수치 시뮬레이터보다 약 100배 빠르게 실행됐습니다.
매력은 서로 다른 물리 현상을 함께 다루는 데 있습니다. 유연한 밸브에 부딪혀 출렁이는 기름이나 흙을 파고드는 소프트 로봇처럼 실제 공학 문제는 여러 영역이 섞여 있고, 지금은 두 시뮬레이터를 이어 붙여야 합니다. 둘 다 다루는 모델 하나가 있다면 이런 연구가 훨씬 단순해질 수 있습니다. 연구진은 이를 시뮬레이션용 기반 모델로 가는 첫걸음이라고 부르며, 앞으로 RNA부터 은하 병합까지를 목표로 꼽습니다.
지금까지의 근거는 대학 보도자료와 그 바탕이 된 공개 논문이며, 보도자료에는 100배 가속 외에 수치가 거의 없습니다. 학습된 시뮬레이터는 보존 법칙에 기반한 고전적 솔버에서는 생기지 않는 방식으로 긴 실행 동안 오차가 쌓일 수 있으며, 안전이 중요한 분야의 엔지니어들은 검증된 도구를 바꾸기 전에 오차 한계를 요구할 것입니다. 학습 데이터와 크게 다른 물질에 얼마나 잘 일반화되는지는 독립적인 검증이 가장 필요한 주장입니다.