Όποιος θέλει να προσομοιώσει ένα φυσικό φαινόμενο χρειάζεται σήμερα διαφορετικό εργαλείο για κάθε δουλειά: ένα για το νερό που ρέει, άλλο για την πρωτεΐνη που διπλώνει. Κάθε προσομοιωτής γράφεται με το χέρι γύρω από τις εξισώσεις του συγκεκριμένου φαινομένου. Ερευνητές του MIT, του Πανεπιστημίου της Βρετανικής Κολομβίας (UBC) και άλλων ιδρυμάτων δοκιμάζουν να τους αντικαταστήσουν όλους με ένα σύστημα βαθιάς μάθησης, το WorldParticle.
Η ιδέα είναι απλή. Το σύστημα αναπαριστά κάθε υλικό, από μια αμμόλοφο ως ένα μόριο πρωτεΐνης, ως χιλιάδες ή εκατομμύρια μικροσκοπικά τρισδιάστατα σωματίδια. Ένα νευρωνικό δίκτυο παίρνει τις θέσεις και τις φυσικές ιδιότητές τους και προβλέπει πού θα βρίσκονται στο επόμενο καρέ της προσομοίωσης, βήμα βήμα.
«Η αρχιτεκτονική μοιάζει με του ChatGPT. Αντί να προβλέπουμε μία λέξη κάθε φορά για να γράψουμε κείμενο, προβλέπουμε πώς θα κινηθούν αυτά τα σωματίδια», εξηγεί ο Πίτερ Γιτσέν Τσεν, πρώην postdoc του MIT και τώρα επίκουρος καθηγητής στο UBC.
Χωρίς εξίσωση για κάθε υλικό
Στις κλασικές μεθόδους οι επιστήμονες ξεκινούν από μια εξίσωση που περιγράφει πώς συμπεριφέρεται το υλικό. Πρέπει να τη μετατρέψουν σε μορφή που χειρίζεται ένας αριθμητικός λύτης, και να επαναλάβουν τη διαδικασία για κάθε υλικό. Εδώ το δίκτυο μαθαίνει τη δυναμική αντί να την παίρνει έτοιμη, και γι’ αυτό, κατά τους ερευνητές, προσαρμόζεται σε υλικά, δυνάμεις και περιβάλλοντα που δεν είδε στην εκπαίδευση.
Πριν από κάθε βήμα το σύστημα απομονώνει τις εξωτερικές δυνάμεις, όπως την ώθηση ενός κύματος που χτυπά σε κυματοθραύστη. Μετά την πρώτη πρόβλεψη τις επαναφέρει και διορθώνει τις θέσεις των σωματιδίων. Επειδή ένα σύνθετο αντικείμενο μπορεί να σπάσει σε εκατομμύρια σωματίδια, η ομάδα συγχώνευσε και συμπίεσε σωματίδια, ώστε το μοντέλο να μη γίνεται υπολογιστικά ασήκωτο και να κρατά τις λεπτομέρειες της συμπεριφοράς τους.
Έξι φαινόμενα, με πιο καλή ακρίβεια και 100 φορές ταχύτερα για πρωτεΐνες
Η ομάδα έδειξε το σύστημα σε έξι φυσικά φαινόμενα, μεταξύ τους παραμορφώσιμα αντικείμενα, κοκκώδη υλικά και πρωτεΐνες, και αναφέρει υψηλότερη ακρίβεια από αριθμητικές μεθόδους. Σε ένα παράδειγμα, ένα κοκκώδες αντικείμενο κατέρρευσε σε σωρό, ενώ ορισμένες μέθοδοι αναφοράς άφηναν σωματίδια άμμου να αιωρούνται στον αέρα. Οι αλλαγές στη δομή των πρωτεϊνών προσομοιώθηκαν περίπου 100 φορές ταχύτερα από ό,τι με αριθμητικούς προσομοιωτές, σύμφωνα με τον Μινγκάο Γκούο, postdoc του MIT.
Ένα πρακτικό παράδειγμα που δίνει το MIT: υγρό που κυματίζει πάνω σε ελαστική βαλβίδα σε δεξαμενή πετρελαίου, κάτι που σήμερα θέλει δύο ξεχωριστούς προσομοιωτές. Ένα ενιαίο μοντέλο θα μπορούσε να συνδέσει τη φυσική των δύο διεργασιών. Θα βοηθούσε επίσης να μελετηθεί πώς κινείται η άμμος ή το χώμα όταν τα αγγίζει ένα μαλακό ρομπότ.
Η έρευνα θα παρουσιαστεί στο συνέδριο ACM SIGGRAPH Asia. Οι ερευνητές θεωρούν ότι το πλαίσιο θα μπορούσε να εφαρμοστεί και στην εξέλιξη του RNA ή στη συγχώνευση γαλαξιών, και σχεδιάζουν να το προσαρμόσουν σε αυτά. Στην ομάδα συμμετέχουν και συνεργάτες από την Meta, το Georgia Tech και την Inria.
«Θέλουμε μια στιγμή GPT για την προσομοίωση», λέει ο Τσεν. Το όραμά του είναι ένα θεμελιώδες μοντέλο που δουλεύει έτοιμο για οποιοδήποτε σενάριο. Το WorldParticle, όπως το περιγράφει, είναι το πρώτο βήμα προς αυτή την κατεύθυνση.
