GeoPT: MIT ensina física para IAs com partículas sintéticas

GeoPT: pesquisadores do MIT ensinam física para modelos de IA com partículas sintéticas

Modelos de inteligência artificial são incrivelmente hábeis em escrever textos, gerar imagens e criar objetos 3D. Mas quando o assunto é simular o mundo físico — testar robôs ou prever como veículos reagem a colisões e ventos —, eles ainda tropeçam. Um novo método desenvolvido por pesquisadores do MIT CSAIL e da Universidade Tsinghua, chamado GeoPT, quer mudar esse cenário usando uma abordagem engenhosa: ensinar física para IAs fazendo-as “brincar” com partículas virtuais que interagem com objetos 3D.

O problema atual é conhecido: para treinar uma rede neural a simular física, é preciso alimentá-la com dados gerados por solvers numéricos — algoritmos que calculam propriedades físicas ponto a ponto em formas 3D. O processo é tão lento que limita drasticamente a quantidade de dados disponível, tornando inviável testar designs complexos como a aerodinâmica de uma aeronave ou a resistência de um casco de navio.

Como o GeoPT “aprende” física

Em vez de depender exclusivamente de dados rotulados e caros, o GeoPT foi pré-treinado em 1,3 milhão de amostras de “dinâmica sintética”: pequenas esferas virtuais que se movem em diferentes velocidades e ângulos até “grudarem” em algum ponto de um objeto 3D, como bolinhas de gude colidindo com bonecos de ação. Essas interações ensinam ao modelo uma intuição física básica — como as partículas param ao encontrar uma superfície, por exemplo — antes mesmo de ele ser treinado em tarefas específicas.

O resultado é notável. Nos testes, o GeoPT:

• Precisou de até 60% menos dados rotulados que os modelos líderes atuais para alcançar a mesma precisão
• Chegou ao pico de desempenho até 4 vezes mais rápido que os melhores benchmarks
• Fez simulações de alta fidelidade com mais de 100 milhões de pontos de malha em segundos

Simulações industriais de alto nível

O GeoPT se destacou especialmente em cenários práticos. Em testes com correntes de vento e pressão de superfície em formas 3D complexas, superou os modelos estado da arte em velocidade, precisão e eficiência. Teve desempenho similar ao simular como caças a jato respondem ao vento e como o casco de um barco lida simultaneamente com ar e ondas. No teste de colisão de veículos, o modelo previu corretamente como diferentes tipos de carros se deformam com impacto, usando menos dados que qualquer alternativa.

“Se o seu modelo tem bom desempenho em benchmarks industriais, isso significa que ele consegue resolver as tarefas de física mais difíceis”, explica Haixu Wu, pós-doutorando do MIT e coautor principal do estudo. “Isso pode ser extremamente útil para engenheiros que querem testar protótipos de veículos sem precisar executar tantos experimentos físicos.”

Rumo a um modelo fundacional de física

Os pesquisadores veem o GeoPT como um passo em direção a um modelo fundacional de física — um sistema de base treinado em grandes volumes de dados que possa ser adaptado para múltiplas tarefas, assim como os LLMs são para texto. “Acreditamos que a física é a terceira modalidade para modelos de IA, depois de texto e pixels”, afirma Minghao Guo, estudante de PhD do MIT e coautor principal. “Nosso modelo tem versatilidade para ajudar a construir um modelo de mundo para física.”

A equipe planeja expandir o sistema para simular fenômenos ainda mais complexos, como padrões climáticos, testes de materiais e geração de vídeos realistas. O trabalho foi apresentado na International Conference on Machine Learning (ICML) em julho e contou com colaboração de Kaiming He, pesquisador principal do CSAIL e cientista distinto do Google DeepMind.