GeoPT donosi efikasnije AI simulacije fizičkih pojava
Istraživači iz MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) i Tsinghua University predstavili su GeoPT, pristup za prethodnu obuku modela fizičke simulacije. Sistem je učio na 1,3 miliona uzoraka sintetičke dinamike, a na pojedinim zadacima dostizao je vrhunske rezultate dvostruko brže i sa do 60 odsto manje označenih podataka od vodećih uporednih modela.
Namena je da se AI modeli bolje nose sa situacijama u kojima tekst i slika nisu dovoljni: uticajem vetra, vode, pritiska, sudara i svetlosti na trodimenzionalne objekte. To može biti relevantno za razvoj vozila, robota i različitih industrijskih proizvoda, gde su fizički eksperimenti skupi i vremenski zahtevni.
Kako GeoPT stiče osećaj za fiziku
Klasično prikupljanje podataka za ovakve modele oslanja se na numeričke rešavače koji računaju fizička svojstva u mnogim tačkama 3D oblika. Postupak je detaljan, ali spor, pa ograničava količinu dostupnih podataka za obuku i proveru konstrukcija.
GeoPT taj problem adresira sintetičkom dinamikom. U virtuelnim scenama male sfere kreću se različitim brzinama i pod različitim uglovima prema složenim 3D oblicima. Kada dotaknu objekat, zaustavljaju se, umesto da prolaze kroz njega ili se odbijaju. Takvi primeri modelu daju početno razumevanje geometrijskih interakcija pre rada sa označenim podacima.
Korisnik zatim učitava 3D model, poput kamiona, putničkog aviona ili broda, i navodi smer i brzinu sile. Rezultat je mapa koja pokazuje kako će pojedini delovi objekta reagovati. Isti okvir može da prikaže posledice udara automobila u prepreku, prolazak svetlosti kroz objekat ili ponašanje plovila na talasima.
Rezultati na industrijskim zadacima
Tim navodi da je GeoPT nadmašio najsavremenije simulacione modele na skupovima podataka sa složenim 3D oblicima izloženim strujanju vetra i površinskom pritisku. Zabeleženi su bolja brzina, tačnost i efikasnost, kao i dobri rezultati pri simulaciji reakcije borbenih aviona na vetar.
Pri ispitivanju trupa broda pod dejstvom vazduha i talasa, GeoPT je koristio 60 odsto manje označenih podataka i dostigao maksimalnu tačnost četiri puta brže od vodećih polaznih modela. Uspešno je predviđao i deformacije 3D vozila nakon sudara, kao i prolazak svetlosti kroz model igračke, iako prethodno nije učio ni taj model ni fiziku svetlosti.
Prema navodima autora, sistem je pravio simulacije visoke vernosti sa više od 100 miliona tačaka mreže za nekoliko sekundi. Rad je predstavljen na konferenciji International Conference on Machine Learning u julu, a istraživanje je delimično podržao program Neural Modular Physics Twin for Robotics.
Šta to znači za razvoj proizvoda
Pravac rada uklapa se u ideju foundation modela za fizički svet, o kojoj govori i foundation modeli za fizički AI kao pristupu koji bi mogao da se prilagođava različitim zadacima fizičkog AI-ja. Istraživači planiraju obuku na većem broju oblika i složenijim pojavama, uključujući vremenske obrasce, materijale i realistične video-snimke.
Za poslovne timove GeoPT pre svega pokazuje mogućnost da se deo provera konstrukcije pomeri u raniju, virtuelnu fazu razvoja. Simulacija može pomoći pri izboru varijanti za dalje testiranje, dok su fizička ispitivanja i dalje neophodna za potvrdu ponašanja proizvoda u stvarnim uslovima.