Un equipo del MIT y de la Universidad de Columbia Británica presentó WorldParticle, un modelo que unifica la simulación de fenómenos físicos muy diversos y que promete transformar la manera en que la ciencia estudia la materia.
Un novedoso sistema de inteligencia artificial desarrollado por investigadores del Instituto de Tecnología de Massachusetts y de la Universidad de Columbia Británica promete cambiar de raíz la forma en que los científicos simulan el mundo físico. Bautizado como WorldParticle, el modelo es capaz de reproducir con una sola arquitectura fenómenos tan dispares como el deslizamiento de la arena, el flujo de un líquido o el plegamiento de una proteína, según informó el portal de noticias del MIT.
La ambición del proyecto apunta a sustituir la multiplicidad de simuladores especializados que hoy se utilizan en la investigación científica, cada uno programado desde cero para un fenómeno particular, por una herramienta única y de alcance general. Los resultados del trabajo fueron difundidos en el servidor de prepublicación arXiv y, de acuerdo con sus responsables, el sistema logró representar seis fenómenos físicos distintos con una precisión superior a la de los métodos de simulación numérica tradicionales. El caso más llamativo fue el de las estructuras proteicas, donde el modelo operó cerca de cien veces más rápido que los simuladores convencionales.
El potencial práctico de esta tecnología es amplio. Los investigadores señalan que podría emplearse para analizar, por ejemplo, el efecto del petróleo en movimiento sobre una válvula elástica situada dentro de un tanque de almacenamiento, o para estudiar dónde y de qué manera se desplaza la arena o el suelo cuando entra en contacto con un robot blando. Se trata de escenarios que hasta ahora exigían combinar herramientas separadas y que, con este enfoque, podrían abordarse de manera conjunta.
La lógica que subyace al sistema representa un cambio de paradigma respecto de la práctica habitual. Tradicionalmente, los científicos eligen un simulador diferente para cada proceso físico: uno para el caudal del agua, otro para el comportamiento de un objeto flexible y otro más para modelar el plegamiento de las proteínas, cada uno programado a partir de las ecuaciones que describen el material o el fenómeno en cuestión. WorldParticle reemplaza ese esquema mediante una red neuronal capaz de aprender de forma general a resolver las ecuaciones que gobiernan el comportamiento de la materia, sin recibir una fórmula específica para cada caso. El sistema identifica las dinámicas subyacentes y puede adaptarse a materiales, fuerzas y condiciones ambientales que no estuvieron presentes durante su entrenamiento.
Peter Yichen Chen, exinvestigador posdoctoral del MIT y actual profesor asistente de la Universidad de Columbia Británica, resumió la aspiración del equipo con una comparación elocuente. «Queremos tener un momento GPT para la simulación», afirmó, en referencia a un modelo de alcance universal equivalente al que los grandes modelos de lenguaje tuvieron en el procesamiento de texto. «Cada vez que las personas quieren construir un simulador para un fenómeno físico particular, necesitan programarlo desde cero. Nuestra visión es contar con un modelo fundacional que funcione directamente para cualquier escenario que se quiera simular. Este es un primer paso en esa dirección», añadió.
El funcionamiento del modelo se apoya en una descomposición minuciosa de la realidad. Cada objeto, desde una duna de arena hasta una molécula proteica, es dividido en miles o millones de partículas tridimensionales. A partir de allí, el sistema rastrea su posición y velocidad a través del espacio y del tiempo para anticipar cómo evolucionará el material. La red neuronal recibe como entrada las posiciones en tres dimensiones y las propiedades físicas de esas partículas, y calcula su ubicación y sus características en el siguiente cuadro de la simulación, con predicciones en intervalos de un segundo. «Es una arquitectura similar a ChatGPT, pero en lugar de predecir una palabra por vez para escribir un texto, predecimos cómo se moverán estas partículas, un paso a la vez», explicó Chen.
Antes de cada paso, WorldParticle separa las fuerzas externas que inciden sobre el sistema físico, entre ellas las fuerzas de impulso que afectan a una ola del océano cuando golpea un rompeolas. Una vez calculados los estados iniciales de las partículas, el sistema reincorpora esas fuerzas a la simulación y corrige sus predicciones según el efecto que ejercen sobre el objeto. Ese mecanismo es el que le permite generalizar sus resultados a materiales desconocidos, cambios en el ambiente y distintos tipos de fuerza. Representar un objeto mediante millones de partículas puede, sin embargo, superar la capacidad de procesamiento del modelo, por lo que el equipo aplicó una técnica de fusión y compresión de partículas que conserva los detalles finos de su comportamiento. «Necesitábamos realizar mucha ingeniería detallada y aplicar numerosos ajustes a la arquitectura para que fuera realmente generalizable y escalable», indicó Guo.
Entre los seis fenómenos evaluados, las pruebas con materiales granulares mostraron con claridad las ventajas del sistema: mientras algunos métodos de referencia dejaban partículas de arena suspendidas en el aire, WorldParticle reprodujo correctamente su colapso hasta formar un montón. El marco de propósito general podría aplicarse además a tareas de manipulación con robots blandos, a la evolución del ARN y a fenómenos astrofísicos como la fusión de galaxias. Los investigadores pretenden adaptar la herramienta a esos sistemas y avanzar hacia una plataforma integral de simulación para el descubrimiento científico.
Minghao Guo, investigador posdoctoral del MIT y coautor principal del trabajo, destacó que unificar modelos puede habilitar nuevas combinaciones entre fenómenos que antes se estudiaban por separado. «Si se estudian objetos deformables y fluidos, se necesitarían dos simuladores, uno para cada régimen físico. Pero si se los unifica en un solo modelo, quizá se pueda acoplar la física de estos dos procesos y obtener conocimientos sobre nuevos problemas», sostuvo. En la misma línea, concluyó: «Vemos que la unificación de la computación y la ciencia puede darnos nuevos conocimientos y herramientas para descubrir fenómenos físicos o explicar fenómenos físicos que no tienen explicación».
