חוקרים מ-MIT ומאוניברסיטת צינגחואה פיתחו שיטת אימון חדשה למודלי בינה מלאכותית, בשם GeoPT, שמאפשרת למודלים להבין ולדמות תופעות פיזיקליות בעולם האמיתי בצורה יעילה ומהירה יותר.
המודל נועד להתמודד עם אחת המגבלות המרכזיות של מערכות AI: בעוד שמודלים מודרניים מצטיינים בעיבוד טקסט, תמונות ומודלים תלת־ממדיים, היכולת שלהם להבין כיצד עצמים מתנהגים בהתאם לחוקי הפיזיקה עדיין מוגבלת.
ללמד AI להבין פיזיקה
כדי לאמן מודלים על תופעות פיזיקליות נדרשת כמות עצומה של נתונים. יצירת הנתונים הללו נעשית באמצעות אלגוריתמים המכונים Numerical Solvers, שמחשבים תכונות פיזיקליות בנקודות שונות של אובייקט תלת־ממדי. מדובר בתהליך מדויק אך ממושך, שמגביל את כמות הנתונים שניתן לייצר.
GeoPT נועד לפתור חלק מהבעיה באמצעות גישה המכונה Synthetic Dynamics. במסגרת האימון, המודל לומד אינטראקציות מכניות בין חלקיקים קטנים לבין צורות תלת־ממדיות מורכבות. החוקרים השתמשו ב-1.3 מיליון דוגמאות של אינטראקציות כאלה.
לדברי החוקרים, הגישה מאפשרת למודל להגיע לביצועים מיטביים עד פי שניים מהר יותר, תוך שימוש בעד 60% פחות נתונים בהשוואה למודלים מובילים.
ממכוניות ומטוסים ועד רובוטים
השימוש ב-GeoPT פשוט יחסית: המשתמש מזין מודל תלת־ממדי של עצם, למשל מטוס, משאית או ספינה, ומגדיר את הכיוון והמהירות של הכוח שאותו רוצים לדמות. המודל יכול לאחר מכן להציג כיצד הכוח משפיע על אזורים שונים באובייקט.
החוקרים הדגימו את המערכת במגוון תרחישים, בהם:
חיזוי האופן שבו מכוניות מתעוותות בתאונה.
בדיקת השפעת הרוח על מטוסים ומטוסי קרב.
בדיקת התנהגות גוף ספינה במים ובאוויר.
סימולציה של מעבר אור דרך עצמים.
בחינת האופן שבו עצמים ורובוטים מגיבים לכוחות פיזיקליים שונים.
באחד הניסויים, המודל הצליח לדמות את התגובה של גוף ספינה לרוח ולגלים תוך שימוש ב-60% פחות נתונים מתויגים, והגיע לדיוק המרבי פי ארבעה מהר יותר מהמודלים ששימשו להשוואה.
בניסוי אחר הצליח GeoPT לבצע סימולציות באיכות גבוהה עבור מודלים הכוללים יותר מ-100 מיליון נקודות Mesh בתוך שניות – יכולת שעשויה לאפשר למהנדסים לבחון עיצובים של כלי רכב לפני שהם נדרשים לבצע ניסויים פיזיים רבים.
צעד בדרך ל"מודל יסוד" של הפיזיקה
החוקרים רואים ב-GeoPT יותר מכלי לסימולציות. המטרה ארוכת הטווח היא לפתח Physics Foundation Model – מודל יסוד שיאפשר למערכות AI להכליל ידע פיזיקלי ולהשתמש בו במגוון רחב של משימות.
לדברי Minghao Guo, חוקר ב-MIT שהיה שותף מוביל למחקר, ניתן לראות בפיזיקה "מודאליות שלישית" עבור AI, לצד טקסט ופיקסלים. שילוב הבנה פיזיקלית במודלים עשוי לאפשר למערכות AI ליצור סימולציות ותוצאות מציאותיות יותר.
בהמשך מתכננים החוקרים להרחיב את המערכת באמצעות אימון על מספר גדול יותר של צורות ותופעות פיזיקליות מורכבות יותר. בין היתר הם מציינים אפשרות לשימוש עתידי בחיזוי דפוסי מזג אוויר, בדיקת חומרים שונים ויצירת סרטונים ריאליסטיים.
המחקר הוצג ביולי במסגרת International Conference on Machine Learning (ICML), ונכתב על ידי חוקרים מ-MIT CSAIL ומאוניברסיטת צינגחואה.