Die meisten Physiksimulatoren entstehen Phänomen für Phänomen: ein Löser für Fluide, ein anderer für Sand, ein weiterer für weiches Gewebe, ein weiterer für Proteine. Ein Team von MIT CSAIL und der University of British Columbia hat stattdessen ein neuronales Netz gebaut, das die zugrunde liegende Dynamik lernt – und es an sechs physikalischen Regimen demonstriert.
WorldParticle, das auf der ACM SIGGRAPH Asia vorgestellt werden soll und in einem Open-Access-Paper beschrieben ist, stellt jedes Material als Tausende bis Millionen dreidimensionaler Partikel dar – eine Lagrange-Repräsentation – und sagt voraus, wohin jedes Partikel als Nächstes geht. 'Es ist eine ähnliche Architektur wie ChatGPT', sagt Peter Yichen Chen, ehemaliger Postdoc am MIT und heute an der UBC, Co-Korrespondenzautor. 'Aber statt Wort für Wort einen Text vorherzusagen, sagen wir Schritt für Schritt voraus, wie sich diese Partikel bewegen.'
Der übliche Arbeitsablauf verlangt, für jedes Material eine Grundgleichung herzuleiten und in eine Form zu bringen, die ein numerischer Löser verarbeitet – immer wieder, für jeden neuen Stoff. WorldParticle trainiert stattdessen ein Netz, Grundgleichungen allgemein zu lösen. Zudem trennt es vor jedem Vorhersageschritt äußere Kräfte ab und integriert sie danach wieder, wodurch es die eigene Ausgabe korrigiert – so generalisiert es auf Materialien, Kräfte und Umgebungen, die es im Training nie sah.
Die Schwierigkeit ist der Maßstab, und die Lösung ist unspektakulär: Partikel werden zusammengeführt und komprimiert, ohne Feindetails zu verlieren, damit ein Objekt aus einer Million Partikeln nicht eine Million Mal ausgewertet werden muss.
Die Demos: verformbare Objekte, granulare Materialien und Proteine unter sechs Phänomenen, genauer als numerische Baselines. In einem Vergleich blieb ein zusammenbrechender Sandhaufen ein Haufen, während Basismethoden Sandkörner in der Luft stehen ließen. Bei Proteindynamik lief das Modell laut Co-Lead-Autor Minghao Guo etwa 100-mal schneller als numerische Simulatoren.
Das Ziel ist ein Fundamentmodell für Simulation: 'Wir wollen einen GPT-Moment für Simulation', sagt Chen – mit Anwendungen in weicher Robotik, RNA-Evolution und Astrophysik, etwa bei der Verschmelzung von Galaxien. Dieser Anspruch ist zugleich die ehrliche Grenze: sechs Phänomene auf einer Forschungscodebasis sind ein Machbarkeitsnachweis, kein allgemeiner Simulator, und die Vergleiche im Paper gelten für ausgewählte Aufgaben gegen klassische Löser.
Die Richtung bleibt bemerkenswert. Weltmodelle werden meist als Weg diskutiert, Robotern und Agenten eine Intuition für die physische Welt zu geben. Hier zeigt dieselbe Idee auf die Wissenschaft: Physik nicht von Hand kodieren, sondern einmal lernen und über Domänen hinweg wiederverwenden, die heute getrennte Software, getrennte Expertise und getrennte Validierung brauchen.
Beteiligt waren Forschende von UBC, Georgia Tech, Inria, Meta, der University of Pennsylvania, der University of Utah, UCLA und der University of Hong Kong sowie Matusiks Gruppe für Computational Design and Fabrication am CSAIL.



