长期以来，科学家模拟物理过程需依赖针对特定任务定制的专用工具，如水流求解算法或蛋白质折叠模型。这些工具往往围绕特定方程手动编写，形成碎片化的解决方案。
近日，来自麻省理工学院（MIT）、不列颠哥伦比亚大学（UBC）等机构的研究人员推出名为 WorldParticle 的统一深度学习系统。该系统旨在通过单一 AI 架构，建模从沙粒滑动到蛋白质折叠等多种物理现象，有望迎来物理模拟领域的“GPT时刻”。
统一架构打破模拟壁垒
传统模拟中，处理可变形物体与流体通常需要独立的模拟器。WorldParticle 借鉴“世界模型”概念，构建了一种通用 AI 架构，能够耦合不同物理过程的特性。
该系统采用拉格朗日表示法，将物质分解为数百万个微小三维粒子，追踪其时空运动轨迹。与传统方法不同，WorldParticle 并非通过硬编码特定方程来定义物理定律，而是利用神经网络通用学习求解控制方程。这意味着模型能够适应训练过程中未曾见过的材料、力和环境。
“其架构逻辑类似 ChatGPT，但我们预测的是粒子的逐步移动，而非文本中的下一个单词。”论文共同通讯作者、现任职于 UBC 的助理教授 Peter Yichen Chen 表示。该团队愿景是打造一个开箱即用的基础模型，无需为每个新场景从头编写代码。
精度与效率双重提升
为解决海量粒子带来的计算瓶颈，研究团队引入了粒子合并技术，在保留细节的同时压缩数据规模。经过大量工程调整，WorldParticle 展现出良好的泛化性与可扩展性。
在涉及可变形物体、颗粒材料及蛋白质的六项物理现象测试中，WorldParticle 的精度均优于传统数值模拟方法。例如，在模拟颗粒坍塌时，基线方法常出现沙粒悬浮的错误，而 WorldParticle 能准确捕捉坍塌过程。此外，其在模拟蛋白质结构随时间变化时，速度比数值模拟器快约 100 倍。
研究人员指出，该框架还可应用于软机器人操作、RNA 进化乃至星系合并等天体物理现象。未来，团队计划进一步完善这一通用模拟管道，助力新材料发现及复杂物理过程探索。
该项研究成果将在亚洲计算机图形学和交互技术 ACM SIGGRAPH 会议上展示。除 Chen 外，MIT 博士后 Minghao Guo、UBC 研究生 Caoliwen Wang 和 Siyuan Chen 等为论文共同第一作者或共同通讯作者。