Una sola red neuronal en lugar de decenas de simuladores: la IA ahora puede modelar todo, desde la arena hasta las proteínas.

Investigadores enseñaron a la inteligencia artificial a modelar el comportamiento de una amplia variedad de materiales, desde arena que se desmorona y agua en movimiento hasta telas y moléculas proteicas. El nuevo sistema WorldParticle utiliza una arquitectura de red neuronal única para seis tipos de procesos físicos que normalmente requieren programas y métodos de cálculo distintos. Al modelar el movimiento de los átomos de las proteínas, los desarrolladores lograron aumentar el paso temporal de los cálculos en 100 veces.

La característica principal de WorldParticle es que los investigadores ya no tienen que crear un algoritmo separado para cada proceso físico. Por ejemplo, para entender cómo el agua choca contra la pared de un depósito, el ordenador debe calcular el movimiento del fluido, la presión y la interacción con la superficie. Para una tela que se estira o para arena que se desprende se necesitan otros modelos matemáticos. Los desarrolladores propusieron un enfoque general que permite resolver distintas tareas con una sola arquitectura neuronal.

WorldParticle divide el objeto virtual en multitud de partículas minúsculas y sigue su movimiento. Cada partícula obtiene coordenadas, velocidad y un conjunto de propiedades físicas. La red neuronal analiza las partículas circundantes, tiene en cuenta sus interacciones y predice dónde estará cada elemento en el siguiente intervalo de tiempo. Repitiendo los cálculos paso a paso, el sistema muestra cómo cambia la forma del objeto, cómo se expande el líquido o cómo se mueven los átomos dentro de una molécula.

En su funcionamiento WorldParticle recuerda a ChatGPT. En la base de ambos sistemas está la arquitectura de transformador, que ayuda a encontrar dependencias entre muchos elementos. Solo que el modelo de lenguaje predice la continuación de un texto, mientras que WorldParticle calcula el movimiento de las partículas. La red neuronal aprende gradualmente a reproducir procesos físicos a partir de ejemplos, por lo que los desarrolladores no necesitan programar manualmente un método de resolución de ecuaciones distinto para cada material.

Al mismo tiempo, WorldParticle tiene en cuenta leyes físicas conocidas. Primero el programa calcula cómo las fuerzas externas deberían afectar a las partículas. Por ejemplo, cómo el impacto de una ola contra un obstáculo cambiará el movimiento del agua. Luego la red neuronal ajusta el resultado considerando la interacción entre partículas. Gracias a esta división de cálculos, el sistema puede hacer frente a condiciones que no encontró durante el entrenamiento, incluyendo nuevas formas de obstáculos y perturbaciones externas inusuales.

Para que los cálculos no sobrecarguen el ordenador, los desarrolladores enseñaron a WorldParticle a agrupar temporalmente la información de las partículas vecinas. En lugar de procesar continuamente todas las interacciones de forma individual, la red analiza una descripción más compacta del objeto y luego reconstruye los detalles del movimiento. Este recurso ayuda a tener en cuenta el comportamiento de un gran número de partículas sin un crecimiento excesivo de la carga computacional.

Los investigadores comprobaron el sistema en seis tipos de procesos físicos: el movimiento de líquidos ordinarios y de líquidos con propiedades complejas, la deformación de telas, el comportamiento de sólidos elásticos, materiales granulares y átomos de proteínas. Por ejemplo, WorldParticle pudo reproducir correctamente cómo una figura de arena se derrumba y se convierte en un montículo. Algunos otros simuladores neuronales en pruebas similares cometían errores y dejaban granos sueltos en el aire. Al modelar telas, el nuevo sistema también mantuvo mejor la estabilidad del movimiento en secuencias largas.

Los resultados más interesantes los obtuvieron los desarrolladores al estudiar proteínas. Para seguir cómo se mueven los átomos dentro de una molécula se usa la dinámica molecular. El ordenador calcula las fuerzas entre los átomos, determina sus nuevas posiciones y repite los cálculos en intervalos de tiempo extremadamente cortos. Para estudiar incluso un pequeño cambio en la estructura de una proteína pueden ser necesarias millones de cálculos secuenciales.

WorldParticle pudo predecir el movimiento de los átomos con un paso de 50 femtosegundos en lugar de 0,5 femtosegundos, que se usaban en el cálculo tradicional. Un femtosegundo equivale a una cuatrillonésima parte de segundo. Los desarrolladores afirman que, gracias a pasos temporales más grandes, la red neuronal es capaz de modelar los cambios en las estructuras proteicas aproximadamente 100 veces más rápido. Sin embargo, en el artículo científico se muestra en detalle el aumento del paso temporal, y no se presentó una comparación completa del tiempo real de ejecución de la red neuronal y del simulador tradicional en el mismo equipo.

Por ahora no se puede llamar a WorldParticle un simulador físico completamente universal. Aunque los desarrolladores usan una arquitectura común para los seis procesos, cada variante de la red neuronal se entrena por separado. Además, incluso una potente tarjeta gráfica NVIDIA A100 con 80 GB de memoria permite al sistema procesar simultáneamente alrededor de 50 000 partículas. Para modelar objetos grandes con millones de elementos será necesario ampliar las capacidades computacionales.

En el futuro los desarrolladores quieren aplicar WorldParticle para crear robots blandos, buscar nuevos materiales y estudiar procesos moleculares. Por ejemplo, los ingenieros podrán probar cómo una pinza robótica interactúa con arena o suelo, y los biólogos obtendrán una herramienta adicional para observar cambios en las proteínas. Los investigadores incluso contemplan la posibilidad de modelar colisiones de galaxias, aunque tareas de tan gran escala siguen siendo planes por ahora.

El siguiente paso consiste en enseñar a una versión única de WorldParticle a trabajar con todos los tipos de materiales sin un entrenamiento separado para cada tarea. Si los desarrolladores logran resolver ese problema, el modelado físico será mucho más accesible: en lugar de un conjunto de programas especializados, los científicos podrán usar un sistema común capaz de calcular el comportamiento de objetos y sustancias muy diversos.