امروزه دانشمندی که می‌خواهد یک فرآیند فیزیکی را شبیه‌سازی کند، باید ابزار مناسب را برای همان کار خاص انتخاب کند؛ مثلاً یک حل‌کننده ساخته‌شده برای جریان آب یا ابزاری دیگر طراحی‌شده برای مدل‌سازی نحوه تاشدگی پروتئین. هر یک از این ابزارها حول معادلات خاصی که رفتار آن فرآیند را تعیین می‌کنند، به‌صورت دستی کدنویسی شده‌اند.
پژوهشگران مؤسسه فناوری ماساچوست (MIT)، دانشگاه بریتیش کلمبیا (UBC) و سایر مؤسسات اکنون آن رویکرد تکه‌تکه را با یک سیستم یادگیری عمیق واحد به نام WorldParticle جایگزین کرده‌اند که می‌تواند به مهندسان کمک کند تا پدیده‌های فیزیکی مختلف را از لغزش شن تا تاشدگی پروتئین با یک معماری هوش مصنوعی یکپارچه مدل‌سازی کنند.
دانشمندان و مهندسان می‌توانند از این سیستم برای مدل‌سازی فرآیندهایی استفاده کنند که معمولاً به شبیه‌سازهای جداگانه نیاز دارند، مانند سیالی که به یک جسم جامد تغییرشکل‌پذیر برخورد می‌کند. این امر می‌تواند راهی سریع‌تر و دقیق‌تر برای شبیه‌سازی تأثیر روغن در حال حرکت بر یک شیر الاستیک در مخزن ذخیره ارائه دهد. همچنین می‌تواند به مهندسان کمک کند تا بررسی کنند مواد گرانولی مانند شن یا خاک هنگام تماس یک ربات نرم با آن‌ها، کجا و چگونه حرکت می‌کنند.
این سیستم هر ماده‌ای را که شبیه‌سازی می‌کند، از یک تپه شن تا یک مولکول پروتئین، به صورت ذرات کوچک نمایش می‌دهد و مکان حرکت آن ذرات را مرحله به مرحله پیش‌بینی می‌کند. از آنجا که این مدل دینامیک‌های زیربنایی را یاد می‌گیرد و با یک معادله برنامه‌ریزی نشده است، می‌تواند خود را با مواد، نیروها و محیط‌هایی که هرگز در طول آموزش با آن‌ها مواجه نشده بود، سازگار کند.
در بلندمدت، پژوهشگران امیدوارند این کار به دانشمندان کمک کند تا مواد جدیدی کشف کنند و فرآیندهای فیزیکی را بررسی نمایند که با روش‌های شبیه‌سازی موجود نمی‌توانستند به‌طور مؤثر مطالعه‌شان کنند.
«ما می‌خواهیم لحظه GPT برای شبیه‌سازی داشته باشیم»، می‌گوید پیتر یی‌چن چِن، پژوهشگر پسادکتری سابق MIT که اکنون استاد کمکی در UBC است و یکی از نویسندگان مسئول مکاتبه مقاله دسترسی آزاد این تکنیک می‌باشد. «هر بار که مردم می‌خواهند یک شبیه‌ساز برای یک پدیده فیزیکی خاص بسازند، باید آن را از صفر کدنویسی کنند. چشم‌انداز ما داشتن یک مدل بنیادی است که برای هر سناریویی که می‌خواهید شبیه‌سازی کنید، بدون نیاز به تنظیمات اولیه کار کند. این اولین قدم در آن جهت است.»
همکاران چِن شامل مینگ‌هاو گوئو، پژوهشگر پسادکتری MIT و نویسنده هم‌مسئول و هم‌سرپرست؛ کاو‌لیون وانگ و سی‌یوان چِن، دانشجویان تحصیلات تکمیلی UBC و هم‌سرپرستان؛ ووجیچ ماتوسیک، استاد مهندسی برق و علوم رایانه در MIT که گروه طراحی و ساخت محاسباتی در آزمایشگاه علوم رایانه و هوش مصنوعی (CSAIL) را هدایت می‌کند؛ و سایرین در UBC، مؤسسه فناوری جورجیا، Inria، Meta، دانشگاه پنسیلوانیا، دانشگاه یوتا، دانشگاه کالیفرنیا در لس‌آنجلس و دانشگاه هنگ‌کنگ هستند. این پژوهش در کنفرانس و نمایشگاه ACM SIGGRAPH در زمینه گرافیک رایانه‌ای و تکنیک‌های تعاملی در آسیا ارائه خواهد شد.
شبیه‌سازی یکپارچه
برای این کار، پژوهشگران از مدل‌های جهانی الهام گرفتند. این سیستم‌های قدرتمند هوش مصنوعی قوانینی را که جهان فیزیکی را حاکم می‌کنند یاد می‌گیرند تا بتوانند پیش‌بینی کنند اشیاء یا محیط‌ها چگونه در پاسخ به اقدامات یا شرایط خاص در طول زمان تغییر خواهند کرد.
پژوهشگران این مفاهیم را برای توسعه یک معماری هوش مصنوعی یکپارچه که می‌تواند انواع مختلفی از پدیده‌های فیزیکی را شبیه‌سازی کند، به کار بردند.
«اگر شما اجسام تغییرشکل‌پذیر و سیالات را مطالعه کنید، به دو شبیه‌ساز نیاز دارید — یکی برای هر رژیم فیزیکی. اما اگر آن‌ها را در یک مدل یکپارچه کنید، شاید بتوانید فیزیک این دو فرآیند را جفت کنید و بینش‌هایی درباره مسائل جدید کسب کنید؟» گوئو می‌گوید.
WorldParticle یک شیء را به هزاران یا میلیون‌ها نقطه سه‌بعدی بسیار کوچک یا ذرات تجزیه می‌کند و از چیزی که به عنوان نمایش لاگرانژی شناخته می‌شود، استفاده می‌کند. این سیستم حرکت و سرعت ذرات را در فضا و زمان ردیابی می‌کند تا دینامیک ماده را شبیه‌سازی نماید.
به‌طور معمول، وقتی دانشمندان مواد و فرآیندهای فیزیکی را با استفاده از ذرات لاگرانژی مدل‌سازی می‌کنند، از یک معادله حاکم استفاده می‌کنند که قوانین بنیادی کنترل‌کننده رفتار آن ماده را در طول زمان و فضا تعریف می‌کند. آن‌ها باید آن معادله پیچیده را به فرمولی تبدیل کنند که یک حل‌کننده عددی بتواند آن را مدیریت کند و این مراحل را برای هر ماده و فرآیندی که می‌خواهند مدل‌سازی کنند، تکرار نمایند.
در عوض، پژوهشگران یک شبکه عصبی طراحی کردند که یاد می‌گیرد معادلات حاکم را به‌طور کلی حل کند و نیاز به طراحی یک مدل و حل‌کننده جدید برای مدیریت هر کدام را از بین ببرد.
پس از اینکه WorldParticle یک شیء را به ذرات تبدیل کرد، یک شبکه عصبی موقعیت‌های سه‌بعدی و خواص فیزیکی ذرات را به عنوان ورودی دریافت می‌کند. این شبکه موقعیت‌ها و خواص آن‌ها را برای فریم بعدی شبیه‌سازی خروجی می‌دهد و حرکت ماده را در طول زمان و فضا با افزایش‌های یک ثانیه‌ای پیش‌بینی می‌کند.
«این معماری مشابه ChatGPT است. اما به جای پیش‌بینی یک کلمه در هر زمان برای نوشتن یک متن، ما پیش‌بینی می‌کنیم که این ذرات چگونه حرکت خواهند کرد، مرحله به مرحله»، چِن می‌گوید.
قبل از هر مرحله شبیه‌سازی، WorldParticle نیروهای خارجی که بر سیستم فیزیکی تأثیر می‌گذارند را جدا می‌کند، مانند نیروهای ضربه‌ای که بر موج اقیانوس هنگام برخورد با دیوار دریایی اثر می‌گذارند.
پس از پیش‌بینی حالت‌های اولیه ذرات، WorldParticle نیروهای خارجی را دوباره در شبیه‌سازی ادغام می‌کند و پیش‌بینی‌های ذره‌ای خود را بر اساس نحوه تأثیر آن نیروها بر رفتار شیء اصلاح می‌کند. به این ترتیب، سیستم می‌تواند به مواد دیده‌نشده، شرایط محیطی متغیر و نیروهای متنوع تعمیم یابد.
چارچوبی عمومی و مقیاس‌پذیر
اما از آنجا که یک شیء پیچیده ممکن است به میلیون‌ها ذره تجزیه شود، مسئله به سرعت از نظر محاسباتی برای مدل سنگین می‌شود.
برای ساده‌سازی پردازش، پژوهشگران از یک تکنیک ادغام برای ترکیب و فشرده‌سازی ذرات استفاده کردند، در حالی که همچنان به WorldParticle اجازه می‌داد جزئیات دقیق رفتار آن‌ها را ثبت کند.
«ما نیاز داشتیم مهندسی دقیقی انجام دهیم و تغییرات زیادی در معماری اعمال کنیم تا واقعاً قابل تعمیم و مقیاس‌پذیر باشد»، گوئو می‌گوید.
آن‌ها WorldParticle را با مدل‌سازی شش پدیده فیزیکی مختلف، از جمله اجسام تغییرشکل‌پذیر، مواد گرانولی و پروتئین‌ها، با دقت بالاتر از روش‌های شبیه‌سازی عددی نشان دادند.
برای مثال، WorldParticle به‌طور مؤثر نحوه فرو ریختن یک شیء گرانولی به صورت یک انباشته را ثبت کرد، در حالی که برخی روش‌های پایه ذرات شن را معلق در هوا رها می‌کردند. روش آن‌ها همچنین تغییرات ساختار پروتئین را در طول زمان حدود ۱۰۰ برابر سریع‌تر از شبیه‌سازهای عددی مدل‌سازی کرد، گوئو اضافه می‌کند.
به گفته پژوهشگران، این چارچوب همه‌منظوره می‌تواند بر بسیاری از مواد و فرآیندها، از جمله وظایف دستکاری ربات‌های نرم، تکامل RNA و پدیده‌های اخترفیزیکی مانند ادغام کهکشان‌ها، اعمال شود.
در آینده، آن‌ها می‌خواهند WorldParticle را برای شبیه‌سازی این سیستم‌ها و سایر سیستم‌های فیزیکی تطبیق دهند. همچنین می‌خواهند بر پایه این کار، به سمت توسعه یک خط لوله کامل شبیه‌سازی همه‌منظوره برای کشف علمی حرکت کنند.
«ما می‌بینیم که یکپارچه‌سازی محاسبات و علم، بینش‌ها و ابزارهای جدیدی برای کشف پدیده‌های فیزیکی یا توضیح برخی پدیده‌های فیزیکی غیرقابل توضیح به ما می‌دهد»، گوئو می‌گوید. «با یک مدل یکپارچه، می‌توانیم بسیاری از کشفیات را آزاد کنیم که حتی تصورش را هم نداریم.»