Simular com respon un objecte al vent, a l'aigua o a un impacte encara depèn, en enginyeria, de resoldre equacions numèriques que consumeixen molt de temps i de dades etiquetades, un coll d'ampolla que limita fins on poden arribar els models d'IA aplicats a la física.
Investigadors del Laboratori d'Informàtica i Intel·ligència Artificial del MIT (CSAIL), encapçalats per Minghao Guo i Haixu Wu i amb Wojciech Matusik com a autor sènior, en col·laboració amb Mingsheng Long, de la Universitat Tsinghua, han desenvolupat GeoPT, un mètode de preentrenament que exposa els models a 1,3 milions de mostres sintètiques d'esferes petites que xoquen, a diferents velocitats i angles, contra formes tridimensionals complexes. Aquest entrenament previ dona als models una intuïció física bàsica abans d'ajustar-los amb dades reals etiquetades, més escasses i costoses d'obtenir. "La física és la tercera modalitat per als models d'IA, després del text i els píxels", ha resumit Guo.
Segons els resultats presentats a la Conferència Internacional sobre Aprenentatge Automàtic (ICML) del juliol, GeoPT arriba al doble de rendiment que els models capdavanters i necessita fins a un 60% menys de dades etiquetades; en la simulació d'un casc d'embarcació, per exemple, va reduir en un 60% les dades necessàries i va arribar quatre vegades més ràpid a la precisió màxima. El sistema pot generar simulacions d'alta fidelitat amb més de 100 milions de punts de malla en qüestió de segons, amb aplicacions previstes en aerodinàmica de vehicles, deformació estructural en col·lisions o dispersió de llum.
Els resultats provenen de proves internes de l'equip investigador i de comparacions amb models existents en bancs de proves industrials, sense que hi hagi encara una validació en enginyeria real a gran escala; Fei Sha, investigador de Meta AI aliè a l'estudi, ho ha descrit com "un paradigma engrescador" per incorporar la física als models de fonaments, però sense confirmar-ne encara l'abast fora del laboratori.