С поглед към физиката: ИИ моделът GeoPT ускорява симулациите в реалния свят

Изображение: Svetni.me / ИИ генерирано изображение

В официално изявление на MIT CSAIL [1] беше представен GeoPT – нов модел за изкуствен интелект, разработен съвместно с Университета „Цинхуа“. Този проект има за цел да разреши един от най-големите проблеми пред съвременния ИИ: неспособността му да симулира реалистично физическите закони без огромно количество скъпи тренировъчни данни. Чрез иновативния метод на предварително обучение моделът придобива интуитивно усещане за физиката, което прави симулациите по-ефективни и точни.

Моделът работи с широк спектър от триизмерни обекти и сили, което му позволява да прогнозира как те ще реагират при контакт с вода, вятър или при механични сблъсъци. Тъй като традиционните симулации отнемат дни или дори седмици изчислително време, появата на оптимизирана невронна физична симулация обещава да промени изцяло индустриалното инженерство. Инженерите скоро ще могат да тестват своите проекти на кораби, самолети и роботи изцяло във виртуална среда с висока точност.

Изображение: Svetni.me / ИИ генерирана инфографика

Предизвикателството на традиционните симулации

За да могат невронните мрежи да симулират надеждно физически среди, те се нуждаят от мащабни данни за обучение, които в момента са изключително трудни и бавни за придобиване. Настоящите системи разчитат на т.нар. числени солвъри (numerical solvers) за изчисляване на физичните свойства в различните точки на 3D формата.

Това е изключително прецизен и обстоен процес, но времето, необходимо за изпълнението му, ограничава обема на наличните данни. Например, тестването дали дизайнът на ново крило за самолет е безопасно и аеродинамично изисква огромен брой ресурсоемки симулации. Този недостиг на данни се превръща в пречка за по-широкото навлизане на дълбокото обучение в инженерната симулация.

Числените симулатори изискват решаването на сложни диференциални уравнения за всяка точка стъпка по стъпка във времето. Това налага огромни изчислителни ресурси и суперкомпютри. Поради тази изчислителна тежест, инженерите често трябва да избират между точността на симулацията и броя на проведените експерименти, което забавя иновациите.

GeoPT и концепцията за „синтетична динамика“

За да преодолее това ограничение, съвместният екип от Масачузетския технологичен институт (MIT) и университета „Цинхуа“ въвежда концепцията за „синтетична динамика“ (synthetic dynamics). Този метод виртуализира ежедневните механични взаимодействия в триизмерното пространство, без да изисква предварително етикетирани физически данни.

В процеса на пред-обучение моделът изучава приблизително 1,3 милиона примера на синтетична динамика, в които малки сферични частици се движат с различни скорости и ъгли, докато направят контакт и се прикрепят към повърхността на 3D модел.

Това движение на частиците, които буквално „залепват“ за обекта при сблъсък, вместо да преминат през него или да отскочат, помага на модела да развие базово разбиране за геометрията и физическото пространство. Този процес наподобява начина, по който дете играе с топчета и фигурки, за да разбере как работи светът, преди да се сблъска с по-сложни физични закони [1].

Този тип предварително обучение предизвиква традиционното схващане, че физиката и геометрията трябва задължително да бъдат изчислително обвързани по скъп начин. То показва, че предварителната геометрична интуиция може да бъде отделена от специфичните уравнения на механиката на флуидите или твърдите тела, като по този начин се спестява ценен изчислителен ресурс.

Индустриални успехи и изключителни резултати

Тестовете показват, че предварително обученият модел се представя отлично в сложни индустриални сценарии, надминавайки съвременните невронни симулатори. Основното му предимство е способността да достига оптимална точност много по-бързо и с много по-малко данни.

При симулации на корпус на лодка, подложен на съпротивление от въздух и вълни, GeoPT изисква с 60% по-малко етикетирани данни. В същото време он достига максимална точност до 4 пъти по-бързо в сравнение с водещите конкурентни модели.

Подобни успехи са регистрирани и при изследване на аеродинамичното съпротивление при изтребители, както и при сблъсъци на леки автомобили. GeoPT успешно прогнозира деформациите по купето на колите при удар с твърдо препятствие, като използва значително по-малко ресурси от конкурентите си.

Моделът демонстрира изненадваща гъвкавост и при визуализиране на преминаването на светлина през триизмерни играчки (като класическия за компютърната графика модел на заек), въпреки че никога преди това не е бил обучаван върху физика на светлината или конкретния 3D обект [1].

Тези резултати показват, че GeoPT не просто запаметява конкретни физически сценарии, а изгражда обща интуиция за поведението на материята. Това му позволява да се адаптира към коренно различни физически феномени без нужда от скъпо допълнително обучение.

Физиката като третата модалност в изкуствения интелект

Изследователите вярват, че разбирането на физиката е следващата голяма стъпка за ИИ моделите. Днес моделите се справят отлично с текст и пиксели, но за да симулират истинския свят – особено при роботиката или автономните системи – те се нуждаят от физическа точност.

„Вярваме, че физиката е третата модалност за моделите на изкуствения интелект след текста и пикселите“, споделя Минхао Го (Minghao Guo), докторант в MIT CSAIL и съавтор на разработката. „Нашият модел с общо предназначение притежава гъвкавостта да помогне за изграждането на физичен модел на света. Много от моделите, генериращи роботика и видео, вече са добри в текста и изображенията, но добавянето на физическа прецизност ще ги направи далеч по-реалистични“ [1].

Инженерите могат да използват софтуера изключително лесно: те просто качват 3D модел на обект – например кораб, самолет или камион – и задават скоростта и посоката на силата, която искат да симулират. Резултатът се представя като цветна карта на напрежението, показваща кои зони са най-силно засегнати.

Благодарение на тази лекота, GeoPT може да се превърне в незаменим инструмент за бързо прототипиране в редица индустрии. Вместо да чакат дни за симулации на аеродинамичен тунел, дизайнерите могат да получават обратна връзка за своите 3D концепции почти в реално време.

Пътят към фундаментален физичен модел на света

Разработването на GeoPT е подкрепено отчасти от инициативата Neural Modular Physics Twin for Robotics. В изследователския екип влизат редица изтъкнати учени, сред които постдокторантът Хаису У (Haixu Wu), Зонги Ли (Zongyi Li), докторантът Джиянг Ду (Zhiyang Dou), доцентът по EECS и учен в Google DeepMind Каймин Хе (Kaiming He), както и професорът от MIT Войчех Матусик (Wojciech Matusik). Доцент Миншен Лонг (Mingsheng Long) от Tsinghua University също участва като съавтор на изследването, представено на конференцията ICML през юли 2026 г.

Външни експерти също оценяват високо потенциала на разработката. Фей Ша (Fei Sha), изследовател в Meta, отбелязва, че използването на синтетична динамика променя парадигмата, тъй като опровергава схващането, че физиката и геометрията трябва задължително да бъдат изчислително обвързани, изисквайки скъпи експериментални данни.

В бъдеще екипът планира да мащабира системата, обучавайки я върху още по-голямо разнообразие от форми и физически явления. Това ще помогне за моделиране на метеорологични условия, изпитване на нови материали и създаване на реалистични видео генерирания, базирани на реални физически закони [1][2].

Кодът и научното описание на модела са публично достъпни в официалното хранилище на проекта в GitHub [2]. Това отваря врати за други изследователски екипи да надграждат върху архитектурата на GeoPT и да допринасят за развитието на отворени физични модели от нов клас.

Източници:

[1]: With a feel for physics, AI models simulate a wider range of real-world scenarios - MIT News

[2]: GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training - GitHub