Các nhà nghiên cứu tại MIT, Đại học British Columbia (UBC) và nhiều nơi khác đã phát triển một hệ thống học sâu duy nhất, được gọi là WorldParticle, có thể giúp các kỹ sư mô hình hóa các hiện tượng vật lý khác nhau, từ sự trượt của cát đến sự gấp nếp của protein, với một kiến trúc trí tuệ nhân tạo thống nhất.
WorldParticle mô phỏng chuyển động và biến đổi của nhiều dạng vật chất thông qua hệ thống hạt. Ảnh: MIT NEWS
Ngày nay, một nhà khoa học muốn mô phỏng một quá trình vật lý thường phải chọn công cụ phù hợp cho từng hiện tượng, chẳng hạn như một bộ giải được xây dựng cho dòng chảy của nước hoặc một bộ giải khác được thiết kế để mô phỏng cách một protein gấp lại. Mỗi bộ giải đều được lập trình thủ công dựa trên các phương trình cụ thể quy định cách thức hoạt động của quá trình đó.
Thay vì sử dụng nhiều trình mô phỏng riêng biệt, WorldParticle có thể mô phỏng các quá trình thường yêu cầu những công cụ khác nhau, chẳng hạn như sự chuyển động của chất lỏng khi va chạm với một vật rắn biến dạng. Điều này có thể cung cấp một cách nhanh hơn, chính xác hơn để mô phỏng cách dầu chuyển động có thể tác động đến van đàn hồi trong bể chứa. Hệ thống cũng có thể giúp các kỹ sư nghiên cứu vị trí và cách thức các vật liệu dạng hạt, như cát hoặc đất, di chuyển khi một robot mềm chạm vào chúng.
Hệ thống mô phỏng mọi vật liệu, từ một cồn cát đến một phân tử protein, dưới dạng các hạt nhỏ và dự đoán hướng di chuyển của các hạt đó từng bước một. Bởi vì học được động lực học cơ bản thay vì được lập trình bằng một phương trình, mô hình có thể thích ứng với các vật liệu, lực và môi trường mà nó chưa từng gặp phải trong quá trình huấn luyện.
Mô phỏng thống nhất nhiều hiện tượng vật lý
Lấy cảm hứng từ các mô hình thế giới, các nhà nghiên cứu đã phát triển một kiến trúc trí tuệ nhân tạo thống nhất có khả năng mô phỏng nhiều loại hiện tượng vật lý khác nhau.
WorldParticle chia một vật thể thành hàng ngàn hoặc hàng triệu chấm nhỏ, ba chiều, hay còn gọi là các hạt, bằng cách sử dụng phương pháp biểu diễn Lagrangian. Hệ thống theo dõi chuyển động và vận tốc của các hạt trong không gian và thời gian để mô phỏng động lực học của vật liệu.
Thay vì phải thiết kế một mô hình và bộ giải mới để xử lý từng phương trình riêng lẻ, các nhà nghiên cứu đã thiết kế một mạng nơ-ron có khả năng học cách giải các phương trình điều khiển một cách tổng quát.
Sau khi chuyển đổi một đối tượng thành các hạt, mạng nơ-ron sẽ nhận vị trí 3D và các thuộc tính vật lý của chúng làm đầu vào. Sau đó, hệ thống dự đoán vị trí và các thuộc tính của các hạt trong khung hình tiếp theo, qua đó mô phỏng chuyển động của vật liệu theo thời gian và không gian.
Khả năng mở rộng và ứng dụng
Do một vật thể phức tạp có thể bị chia thành hàng triệu hạt nhỏ, quá trình mô phỏng nhanh chóng trở nên tốn kém về mặt tính toán. Để tối ưu hóa quá trình xử lý, các nhà nghiên cứu đã sử dụng kỹ thuật hợp nhất để kết hợp và nén các hạt trong khi vẫn cho phép WorldParticle thu thập được những chi tiết nhỏ về hành vi của chúng.
Các nhà nghiên cứu đã chứng minh WorldParticle bằng cách mô phỏng sáu hiện tượng vật lý khác nhau, bao gồm các vật thể biến dạng, vật liệu dạng hạt và protein, với độ chính xác cao hơn so với các phương pháp mô phỏng số.
Ví dụ, WorldParticle đã mô phỏng hiệu quả cách một vật thể dạng hạt sụp đổ thành một đống, trong khi một số phương pháp cơ bản lại để các hạt cát lơ lửng trong không khí. Phương pháp này cũng mô phỏng sự thay đổi cấu trúc protein theo thời gian nhanh hơn khoảng 100 lần so với các trình mô phỏng số.
Khung lý thuyết đa năng này có thể được áp dụng cho nhiều vật liệu và quy trình, bao gồm các nhiệm vụ điều khiển robot mềm, sự tiến hóa của RNA và các hiện tượng vật lý thiên văn như sự hợp nhất của các thiên hà.
Trong tương lai, các nhà nghiên cứu muốn điều chỉnh WorldParticle để mô phỏng các hệ vật lý này và nhiều hệ vật lý khác, đồng thời phát triển một hệ thống mô phỏng hoàn chỉnh, đa năng phục vụ cho khám phá khoa học.
Nguồn: MIT NEWS
