ИИ научился лучше понимать физику и моделировать поведение машин самолётов и роботов

Исследователи из Массачусетского технологического института и Университета Цинхуа разработали новый подход к предварительному обучению искусственного интеллекта, который помогает моделям лучше понимать основные законы физики и точнее моделировать поведение объектов в реальном мире.

Новая система получила название GeoPT. Её разработали специалисты Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института, известной как MIT CSAIL, совместно с исследователями Университета Цинхуа. По словам авторов работы, GeoPT позволяет моделям изучать физические взаимодействия более широким и эффективным способом.

Современные модели искусственного интеллекта умеют решать множество задач, включая создание текстов, изображений и трёхмерных моделей. Однако при моделировании поведения роботов или различных конструкций в реальных условиях они сталкиваются с серьёзными ограничениями. ИИ значительно лучше понимает текст и изображения, чем физические законы, определяющие движение объектов.

Для создания системы, способной надёжно моделировать широкий спектр физических сценариев, необходимо огромное количество данных о физических взаимодействиях. Получение таких данных может быть чрезвычайно трудоёмким процессом.

Для расчёта физических свойств в различных точках трёхмерной формы используются специальные алгоритмы, называемые численными решателями. Они позволяют достаточно подробно описывать поведение объектов, однако расчёты занимают много времени. Из-за этого исследователи сталкиваются с ограничениями при создании больших наборов данных, необходимых, например, для проверки безопасности и аэродинамических характеристик самолётов.

GeoPT предлагает другой подход. Перед обучением на размеченных данных модель получает возможность изучить физику с помощью виртуального воспроизведения механических взаимодействий в трёхмерном пространстве.

Система моделирует поведение небольших частиц, которые движутся по направлению к сложным трёхмерным объектам. Когда частица достигает поверхности объекта, она останавливается. Благодаря множеству подобных виртуальных взаимодействий модель получает базовое представление о том, как физические объекты взаимодействуют друг с другом.

По данным исследователей, такой подход позволяет моделям достигать максимальной производительности примерно в два раза быстрее и использовать до 60 процентов меньше данных по сравнению с ведущими существующими моделями.

GeoPT может работать с трёхмерными моделями различных объектов. Пользователь загружает модель, например боевого корабля, пассажирского самолёта или грузовика, а затем указывает направление и скорость силы, воздействующей на объект.

Результат работы системы можно представить в виде своеобразной тепловой карты, которая показывает, как различные участки объекта реагируют на воздействие.

Такой подход может использоваться для моделирования самых разных ситуаций. Например, система способна оценивать, как автомобиль изменится после столкновения со стеной, как свет будет распространяться вокруг объекта или сможет ли судно оставаться на плаву при воздействии неспокойных волн.

Основой способности GeoPT работать с физическими взаимодействиями стали так называемые синтетические динамические данные. Для их создания исследователи моделировали взаимодействия небольших частиц со сложными трёхмерными объектами.

GeoPT изучила 1,3 миллиона таких синтетических примеров. В каждом из них небольшие сферы двигались с различными скоростями и под разными углами, пока не достигали определённой точки на поверхности объекта и не останавливались.

Исследователи сравнивают этот процесс с обучением физике с помощью обычных игрушек. Подобно тому как человек может изучать взаимодействие объектов, двигая шарики или фигурки, модель получает возможность заранее приобрести базовое представление о физических процессах ещё до обучения на специально размеченных данных.

В ходе испытаний GeoPT особенно хорошо показала себя при моделировании промышленных задач. На различных тестах система превзошла современные модели симуляции по скорости, точности и эффективности.

Например, при работе с набором данных, содержащим сложные трёхмерные формы и информацию об их реакции на воздушные потоки и давление на поверхности, GeoPT показала более высокую скорость и точность по сравнению с существующими системами.

Система также успешно моделировала воздействие воздушного потока на истребители. При моделировании поведения корпуса лодки под воздействием воздуха и волн GeoPT потребовалось на 60 процентов меньше размеченных данных, чтобы учитывать оба физических воздействия. При этом максимальной точности система достигла в четыре раза быстрее, чем лучшие сравниваемые модели.

GeoPT также смогла моделировать последствия столкновений различных автомобилей с другими объектами. Система правильно предсказывала деформацию трёхмерных моделей автомобилей, используя при этом меньше данных, чем современные базовые модели.

В другом эксперименте исследователи проверили, насколько хорошо система способна моделировать распространение света через трёхмерную модель игрушечного кролика. GeoPT получила точные результаты, несмотря на то что во время обучения не использовала ни эту конкретную трёхмерную модель, ни данные о физике распространения света.

По словам соавтора исследования Хайсю Ву, успешная работа системы на промышленных тестах показывает, что она способна справляться с одними из наиболее сложных физических задач.

«GeoPT создавала высокоточные симуляции с более чем 100 миллионами точек сетки за считанные секунды», — отметил Ву. По его словам, это может сделать систему чрезвычайно полезной для инженеров, которые смогут проверять конструкции транспортных средств, не проводя такое большое количество физических экспериментов.

Исследователи считают, что нынешняя версия GeoPT является лишь предварительным этапом на пути к созданию более масштабной физической модели мира. В дальнейшем команда планирует обучать систему на ещё большем количестве трёхмерных форм и моделировать более сложные физические явления.

Более развитая версия подобной системы потенциально сможет использоваться для моделирования погодных процессов, проверки различных материалов и создания реалистичных видеоматериалов.

«Мы считаем, что физика является третьей модальностью для моделей искусственного интеллекта после текста и изображений», — сказал соавтор исследования и аспирант MIT Мингхао Го. По его словам, универсальная модель такого типа может стать основой для создания физической модели мира. Многие современные системы уже хорошо работают с текстовой и визуальной информацией, а добавление физической точности способно сделать результаты их работы более реалистичными.

Исследователь в области искусственного интеллекта компании Meta Фэй Ша, не принимавший участия в работе, отметил, что использование синтетических динамических данных представляет собой перспективный способ внедрения физических знаний в фундаментальные модели искусственного интеллекта.

По мнению исследователей, подобная технология в будущем может стать основой для физической фундаментальной модели, которая будет обучена на огромном количестве данных и сможет обобщать знания о физических процессах для решения различных задач.

Исследователи представили свою работу на Международной конференции по машинному обучению в июле 2026 года.