MIT（美国麻省理工学院）联合团队提出WorldParticle：一个深度学习模型统一模拟沙粒流动与蛋白质折叠
美国麻省理工学院（MIT）等机构研究者提出WorldParticle，把沙、流体、软体与蛋白质统一表示为粒子，由神经网络逐步预测粒子运动，无需为每种物理过程单独编写方程求解器。
研究者称其在六类现象上精度高于数值模拟方法，蛋白质结构变化模拟约快100倍，并希望用于软体机器人操作等场景。
该研究由MIT（美国麻省理工学院）、不列颠哥伦比亚大学（UBC）等机构人员参与，共同通讯作者为原MIT博士后、现UBC助理教授Peter Yichen Chen与MIT博士后Minghao Guo；
共同第一作者还包括UBC研究生Caoliwen Wang、Siyuan Chen，MIT电子工程与计算机科学教授Wojciech Matusik等参与，合作方包括Georgia Tech、Inria、Meta（美国科技公司）、宾夕法尼亚大学、犹他大学、加州大学洛杉矶分校和香港大学。
模型采用拉格朗日粒子表示，将物体拆分为成千上万乃至数百万个三维粒子，神经网络输入粒子的三维位置与物理属性，输出下一帧的位置与属性，按一秒步长预测； 每步预测前先分离外力，预测后再把外力积回以修正。 为控制粒子数量带来的计算量，团队用粒子合并压缩方法保留细节。 论文为开放获取，将在ACM SIGGRAPH Asia会议展示。
团队展示了对形变物体、颗粒材料、蛋白质等六类现象的建模，称精度高于数值模拟方法，例如能捕捉颗粒坍塌成堆而部分基线方法会留下悬空沙粒； 蛋白质结构随时间变化的模拟比数值模拟器快约100倍。 研究者提出可应用于软体机器人操作、RNA演化、星系合并等方向。
WorldParticle的价值在于把“按物理方程逐个手写求解器”的做法替换为学习动力学的一般化架构，并尝试跨物理体系耦合，例如流体与形变固体相互作用。 对机器人与仿真领域，这意味着软体操作、颗粒介质接触等难以精确建模的场景可能获得更统一的工具； 但作者展示的是与数值方法的对比结果，尚属研究阶段，距离机器人真实部署验证还有距离。
后续观察信号
- WorldParticle与现有可微分仿真器的计算效率对比细节
- 该方法在接触密集的机器人抓取仿真中的表现
- 研究团队是否计划扩展为通用科学仿真流水线