WorldParticle 能模拟沙、水和蛋白质,但“统一”指的是架构
沙子塌落、布料碰撞、蛋白质运动,能否用同一种 AI 模拟方法处理?WorldParticle 的回答是:可以复用一套粒子模拟架构,但目前不同物理类别仍要分别训练参数,还不是一份权重通吃所有物质。
MIT 和英属哥伦比亚大学等机构的研究团队在 11 月 9 日介绍了这项工作;论文最初提交于 2026 年 5 月,5 月 20 日的版本描述了具体实验。研究覆盖六类动力学:布料、弹性固体、牛顿流体、非牛顿流体、颗粒材料和分子动力学。
它的处理对象不是一张看起来像水或沙的视频,而是一组带位置、速度等属性的粒子。每一步先根据已知外力预测粒子状态,再由学习到的部分修正粒子之间及与边界的相互作用,输出新的位置和速度。粒子数量很大时,模型会把部分信息压缩成更少的“超级 token”进行全局交互,再还原到粒子层面;目的是降低全量交互的计算压力。
论文实验对每类动力学使用已有求解器产生的数据,各自训练一个模型;测试中再改变材料参数、初始形状或障碍物位置等条件。作者报告,在所比较的神经模拟器中,他们的方法有更低的轨迹误差和更稳定的长时间推演。例如流体实验展示了最长 800 步的稳定推演。这是论文给出的特定实验结果,不代表任意场景都能稳定运行。
分子部分还有一个容易误读的数字:项目材料说,特定侧链转动预测使用 50 飞秒的时间步,而所比较的传统模拟使用 0.5 飞秒。时间步长相差 100 倍,不自动等于所有蛋白质任务端到端运行速度都快 100 倍,也不能单靠这一个数证明结果可替代实验。
论文列出的限制同样具体:当前单张 80GB A100 显卡上的实现约支持 5 万个粒子,显存是主要瓶颈;把各类别合并为共享权重的模型还是未来工作。研究者也展示了交互控制、反向设计和基于真实操纵数据的预测,但不同材料发生耦合、以及更广泛的科学应用仍需要继续验证。