GeoPT של MIT: סימולציות פיזיקה מהירות פי שניים עם פחות נתונים

אנחנו רגילים לחשוב שמודלי AI מומחים בטקסט ובתמונות, אבל כשמגיעים לפיזיקה – לדוגמה, לבדוק איך מטוס מתמודד עם רוח או איך רכב מתרסק – הם מתקשים. הסיבה פשוטה: אין להם ״חוש״ טבעי לחוקי הפיזיקה כמו שיש להם בעבודה עם פיקסלים. כדי לאמן מודל שמבין פיזיקה, צריך כמויות עצומות של נתונים, והפקתם באמצעות שיטות סימולציה מסורתיות לוקחת המון זמן ומשאבים.

חוקרים מ-MIT CSAIL ומאוניברסיטת Tsinghua מצאו פתרון חדשני. הם פיתחו מודל בשם GeoPT, המבוסס על שיטת pre-training שמאפשרת למודלי AI ללמוד פיזיקה באופן רחב ויעיל הרבה יותר. במקום להסתמך רק על נתונים מפורטים מהעולם האמיתי, GeoPT משתמש ב״דינמיקה סינתטית״ – מיליוני אינטראקציות בין חלקיקים קטנים לאובייקטים תלת־ממדיים מורכבים. כך, המודל מפתח ״תחושת פיזיקה״ עוד לפני שהוא נחשף לנתונים מסומנים.

איך GeoPT עובד?

המערכת מתבססת על 1.3 מיליון דגימות של דינמיקה סינתטית. בדגימות הללו, כדורים קטנים נעים במהירויות ובזוויות שונות עד שהם ״נתקעים״ על פני האובייקט – כמו ללמוד פיזיקה באמצעות כדורים ופסלוני אקשן. גישה זו נותנת למודל בסיס חזק, שמאפשר לו לבצע סימולציות פיזיקליות מדויקות יותר, להגיע לביצועי שיא מהר פי שניים ולהסתדר עם עד 60% פחות נתונים ממודלים מובילים אחרים.

תוצאות מרשימות בתעשייה

GeoPT הוכיח את עצמו במיוחד בסימולציות תעשייתיות. בבדיקות מול מודלי state-of-the-art, הוא עקף אותם במהירות, בדיוק וביעילות. לדוגמה:

• בסימולציה של תגובות של צורות תלת־ממדיות מורכבות לזרמי רוח וללחץ על פני השטח.
• בזיהוי תגובות של מטוסי קרב לרוח.
• בסימולציה של גוף של סירה שמתמודד עם אוויר וגלים – כאן, GeoPT דרש 60% פחות נתונים מסומנים והגיע לדיוק שיא מהר פי ארבעה ממודלי בסיס מובילים.
• אפילו בזיהוי עיוותים של כלי רכב בהתנגשויות, הוא הצליח עם פחות נתונים.

שימוש קל ופוטנציאל רחב

השימוש ב-GeoPT פשוט: מעלים מודל תלת־ממד של אובייקט – כמו אונייה, מטוס או משאית – ומציינים את הכיוון ואת עוצמת הכוח שרוצים לדמות. התוצאה היא מפת חום שמציגה כיצד האובייקט יושפע במקומות שונים. זה שימושי, לדוגמה, כדי לדמות איך רכב ייראה אחרי התנגשות בקיר, איך אור יקפוץ בין אובייקטים או אם סירה תישאר יציבה על גלים סוערים.

החוקרים מאמינים ש-GeoPT יכול לעזור למהנדסים לבדוק תכנונים של כלי רכב, רובוטים וחפצי יומיום בסביבות מגוונות, כמו רוח, מים והתנגשויות, ללא צורך בניסויים פיזיים רבים. ״אנו מאמינים שפיזיקה היא המודליות השלישית למודלי AI, אחרי טקסט ופיקסלים״, אומר Minghao Guo, דוקטורנט וחוקר ב-MIT CSAIL. ״המודל הרב־תכליתי שלנו יכול לעזור לבנות מודל עולם לפיזיקה״. Haixu Wu, חוקר פוסט־דוקטורט ב-MIT CSAIL, מוסיף: ״אם המודל שלך עובד טוב ב-benchmarks תעשייתיים, זה אומר שהוא יכול לפתור את משימות הפיזיקה הקשות ביותר. GeoPT יצר סימולציות ברזולוציה גבוהה עם יותר מ-100 מיליון נקודות mesh בשניות״.

צעד ראשון לקראת מודל בסיס לפיזיקה

העבודה הזו, שהוצגה בכנס International Conference on Machine Learning ביולי, היא צעד משמעותי לקראת מודל בסיס לפיזיקה – מערכת backbone שאומנה על הרבה נתונים ותוכל לעזור לכלי AI לבצע משימות שונות. נכון לעכשיו, GeoPT הוא טעימה ממה שאפשר. הוא מדגים איך אפשר לשלב ידע פיזיקלי במודלים קיימים, מה שעשוי להפוך סימולציות לנגישות ומהירות יותר עבור תעשיות כמו רכב, אווירונאוטיקה ורובוטיקה.

אז בפעם הבאה שאתם מתכננים כלי רכב או רובוט, אולי תנו ל-AI לטפל בפיזיקה – הוא כבר למד איך הדברים מתנגשים.