Система, разработанная учеными из Массачусетского технологического института, Университета Британской Колумбии и других научных организаций США представляет любой моделируемый объект — будь то песчаная дюна или молекула белка — в виде совокупности мельчайших частиц и пошагово прогнозирует их перемещение. Поскольку модель обучается на основе динамических закономерностей, а не жестко запрограммированных уравнений, она способна адаптироваться к материалам, силам и условиям, с которыми она не сталкивалась в процессе обучения.
«Каждый раз, когда возникает необходимость создать симулятор для какого-либо физического явления, приходится писать код с нуля, — сказал Чэнь Ичэнь, один из участников проекта. — Наша цель — создать базовую модель, которая будет готова к работе „из коробки“ для любого сценария, который нужно смоделировать. Это первый шаг в данном направлении».
Как правило, при моделировании материалов и физических процессов с использованием лагранжевых частиц ученые опираются на определяющее уравнение, которое задает фундаментальные законы поведения материала в пространстве и времени. Им приходится преобразовывать это сложное уравнение в формулу, пригодную для численного решения, — и повторять этот процесс для каждого нового материала или физического явления.
Исследователи предложили иной подход: они разработали нейронную сеть, способную решать такие уравнения в общем виде, пишет Techxplore. Это избавляет от необходимости каждый раз создавать новую модель и алгоритм решения для конкретной задачи. Система WorldParticle преобразует объект в набор частиц, а нейронная сеть использует их трехмерные координаты и физические свойства в качестве входных данных. На выходе сеть выдает положение и характеристики частиц для следующего кадра симуляции, прогнозируя динамику материала в пространстве и времени с шагом в одну секунду.
«Архитектура системы напоминает ChatGPT, — объяснил Чэнь. — Только вместо того, чтобы предсказывать следующее слово в тексте, мы прогнозируем движение частиц — шаг за шагом».
Перед каждым шагом WorldParticle выделяет внешние силы, действующие на физическую систему — например, импульс океанской волны при ее ударе о волнорез, — и корректирует свои предсказания. Благодаря этому она способна работать с материалами, которые прежде не встречала, а также адаптироваться к меняющимся условиям окружающей среды и различным внешним воздействиям.
Для оптимизации процесса обработки данных исследователи применили метод объединения, позволяющий комбинировать и сжимать частицы, сохраняя при этом возможность для WorldParticle фиксировать мельчайшие детали их поведения.
Эффективность WorldParticle была продемонстрирована на примере шести различных физических явлений — включая поведение деформируемых объектов, сыпучих материалов и белков. При этом точность моделирования оказалась выше, чем у традиционных численных методов.
Так, WorldParticle успешно воспроизвела процесс оседания сыпучего материала. Кроме того, предложенный метод позволяет моделировать изменения белковых структур во времени примерно в 100 раз быстрее, чем численные симуляторы.
Этот подход можно применить ко многим материалам и процессам, включая задачи по управлению мягкими роботами, эволюцию РНК или слияние галактик.
В конце октября Nvidia выпустила Nemotron 3.5 Transcribe — модель для распознавания и перевода речи, которая позволяет адаптировать формат расшифровки под конкретную задачу с помощью обычных текстовых инструкций. Она поддерживает 40 языков, переводит речь с 31 языка на английский и обратно, а также определяет говорящих на 13 языках.
