KI-Modelle können schreiben, zeichnen und 3D-Objekte erzeugen – aber es fällt ihnen schwer, Physik gut genug zu verstehen, um zu simulieren, wie ein Auto bei einem Aufprall zerknautscht oder wie ein Schiffsrumpf Wellen standhält. Ein neuer Vorabtrainingsansatz vom MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) und der Tsinghua-Universität namens GeoPT gibt Simulationsmodellen ein ‚Gefühl für Physik', indem er alltägliche mechanische Interaktionen in 3D nachstellt.
GeoPTs Wissen stammt aus ‚synthetischer Dynamik': 1,3 Millionen Beispiele, in denen winzige Kugeln mit unterschiedlichen Geschwindigkeiten und Winkeln fliegen, bis sie auf der Oberfläche einer komplexen 3D-Form zum Stillstand kommen – wie Physiklernen mit Murmeln und Actionfiguren. Das Vortraining mit diesen Partikel-Objekt-Interaktionen erlaubt es den Modellen, mit deutlich weniger Daten auf reale Physikaufgaben zu generalisieren.
In Benchmarks erreichte GeoPT doppelt so schnell die Spitzenleistung wie führende Modelle und trainierte dabei mit bis zu 60 Prozent weniger Daten. Bei einem Schiffsrumpf-Datensatz mit Luft- und Wellenlasten benötigte es 60 Prozent weniger gelabelte Daten und erreichte die Spitzengenauigkeit viermal schneller als die besten Baselines. Zudem simulierte es, wie Kampfjets auf Wind reagieren, wie Autos nach Kollisionen deformieren und sogar, wie Licht durch ein Objekt fällt, das es nie gesehen hatte – hochauflösende Simulationen mit über 100 Millionen Netzpunkten berechnet in Sekunden.
‚Wir glauben, dass Physik die dritte Modalität für KI-Modelle ist – nach Text und Pixeln', sagt Minghao Guo, Doktorand am MIT, CSAIL-Forscher und Co-Erstautor. Das Team stellte das Paper im Juli auf der International Conference on Machine Learning vor und sieht in GeoPT einen Schritt hin zu einem Physik-Foundation-Model: ein auf riesigen Datenmengen trainierter Grundbaustein, der Ingenieuren helfen könnte, Fahrzeug- und Roboterkonstruktionen ohne teure physikalische Experimente zu testen – und letztlich Wetterphänomene zu modellieren und realistische Videos zu erzeugen. Zu den Co-Autoren gehören Kaiming He und der Senior-Autor Wojciech Matusik.
