A simulação científica hoje é uma caixa de ferramentas de especialistas. Um solucionador para água em movimento não sabe nada de dobramento de proteínas, e cada um é construído à mão em torno das equações do próprio problema. Uma equipe do MIT, da University of British Columbia e de várias outras instituições quer trocar esse mosaico por um único modelo aprendido, e a primeira versão, o WorldParticle, será apresentada na conferência de computação gráfica SIGGRAPH Asia.
A abordagem é simples de explicar. Qualquer material, de uma duna de areia a uma molécula de proteína, é dividido em milhares ou milhões de minúsculos pontos 3D, a chamada representação lagrangiana. Um transformer, a mesma família de redes por trás do ChatGPT, recebe as posições e propriedades físicas dessas partículas e prevê onde elas estarão no próximo quadro, passo a passo. Os pesquisadores comparam isso a prever a próxima palavra, só que para a matéria. Forças externas, como uma onda batendo num quebra-mar, são separadas antes de cada passo e somadas de volta depois, o que, segundo a equipe, ajuda o modelo com materiais, forças e condições que ele não viu no treinamento. Uma técnica de fusão comprime partículas para que cenas muito grandes continuem viáveis.
A equipe relata resultados em seis tipos de fenômenos físicos, incluindo objetos deformáveis, materiais granulares e proteínas, com mais precisão que os métodos numéricos comparados. Num exemplo, os métodos de referência deixavam grãos de areia flutuando no ar, enquanto o WorldParticle deixava o monte desabar como deveria. Em mudanças de estrutura de proteínas, ele rodou cerca de 100 vezes mais rápido que simuladores numéricos.
O atrativo está no acoplamento. Muitos problemas reais de engenharia misturam regimes, como óleo balançando contra uma válvula flexível ou um robô macio afundando no solo, e hoje isso exige costurar dois simuladores. Um único modelo que dê conta dos dois pode simplificar muito esses estudos. Os pesquisadores descrevem o trabalho como um primeiro passo rumo a um modelo de fundação para simulação, com alvos futuros que vão do RNA à fusão de galáxias.
As provas por enquanto vêm de um comunicado da universidade e do artigo de acesso aberto por trás dele, e o comunicado traz poucos números além da aceleração de 100 vezes. Simuladores aprendidos podem se desviar em execuções longas de um jeito que não acontece com solucionadores clássicos, baseados em leis de conservação, e engenheiros de áreas críticas para a segurança vão querer limites de erro antes de trocar uma ferramenta validada. O quanto o modelo generaliza para materiais muito distantes dos dados de treinamento é a afirmação que mais precisa de testes independentes.