Ein Sandhaufen rutscht zusammen, ein Stück Stoff bewegt sich, ein Protein verändert seine Form. Für solche Vorgänge brauchen Forschende normalerweise unterschiedliche Simulationsverfahren. Ein Team um das MIT und die University of British Columbia untersucht nun, wie sich dafür dieselbe Architektur eines KI-Modells einsetzen lässt. Das System heißt WorldParticle und beschreibt die Gegenstände als viele einzelne Teilchen.
Der Ansatz ist ein Forschungswerkzeug, kein fertiger Universalsimulator. Die Studie beschreibt eine gleichbleibende Architektur für sechs Gruppen physikalischer Bewegungen. Die Trainingsdaten ändern sich dabei je nach Phänomen. Aus dem gemeinsamen Bauplan folgt also nicht, dass ein einziger fertig trainierter Parametersatz beliebige Materialien zuverlässig beherrscht.
Ein gemeinsamer Bauplan für viele Teilchen
Bei einer Simulation beschreibt der Rechner zunächst einen Ausgangszustand und berechnet daraus, wie sich ein System über die Zeit verändert. Für Wasser, elastische Körper oder Moleküle sind unterschiedliche Wechselwirkungen entscheidend. Herkömmliche Verfahren setzen dazu jeweils passende physikalische Modelle und Rechenverfahren ein.
WorldParticle nutzt eine gemeinsame Darstellung: Punkte stehen für Teile des simulierten Materials. Sie tragen Informationen über ihre Position, Geschwindigkeit und weitere Eigenschaften. Bei einem Sandhaufen beschreiben solche Punkte die Bewegung des Granulats; bei einem Molekül repräsentieren sie dessen Teilchenstruktur. Aus dem aktuellen Zustand soll der nächste entstehen.
Dafür kombiniert das Team zwei Schritte. Zunächst berücksichtigt ein rechnerischer Vorhersageschritt bekannte äußere Kräfte. Anschließend schätzt ein trainiertes neuronales Netz Korrekturen für Position und Geschwindigkeit, die unter anderem die Wechselwirkungen zwischen Teilchen erfassen sollen. Wiederholt man diesen Ablauf, entsteht eine Folge von Zuständen und damit eine simulierte Bewegung.
Warum das Netz Informationen verdichtet
Viele Teilchen bedeuten viele mögliche Beziehungen. Das Netzwerk muss erfassen, was in einer unmittelbaren Nachbarschaft passiert, aber auch Informationen über größere Bereiche verbinden. Dazu fasst es Teilcheninformationen schrittweise zu weniger, größeren Informationseinheiten zusammen. Anschließend überträgt es die verdichteten Informationen zurück auf die einzelnen Teilchen.
Diese Architektur gehört zur Familie der Transformer. Bekannt ist der Begriff etwa aus Sprachmodellen, die Beziehungen zwischen Textelementen verarbeiten. Hier geht es jedoch um räumliche Zustände und Bewegungen. Die Verdichtung soll den Rechenaufwand begrenzen, ohne die Verbindung zwischen lokalen und größeren Zusammenhängen zu verlieren.
Das Team erprobte den gemeinsamen Architekturentwurf an Stoff, elastischen Körpern, körnigem Material, zwei Arten von Flüssigkeiten und Moleküldynamik. Zu den untersuchten Fragen gehörte, wie sich das Verfahren bei veränderten Ausgangs- und Randbedingungen verhält. Zudem zeigen die Forschenden Anwendungen für interaktive Steuerung und das umgekehrte Entwerfen von Eigenschaften: Dabei wird von einem gewünschten Ergebnis aus nach passenden Parametern gesucht.
Was die Ergebnisse leisten und was offen bleibt
Die Autoren berichten in ihren Versuchen von stabileren Vorhersagen über längere Abläufe und geringeren Fehlern als bei den verglichenen neuronalen Simulatoren. Solche Ergebnisse gelten zunächst für die getesteten Aufgaben und Vergleichsmethoden. Die Arbeit nennt zugleich einen Preis für die breite Architektur: Gegenüber spezialisierten klassischen Verfahren kann sie bei einzelnen Phänomenen an Genauigkeit verlieren.
Auch die Daten sind Teil der Aufgabe. Ein unveränderter Modellaufbau erspart nicht automatisch das Training für neue Problemklassen. Wie gut eine Vorhersage außerhalb der untersuchten Bedingungen funktioniert, muss für den jeweiligen Einsatz geprüft werden. Gerade wenn ein Ergebnis spätere Experimente oder technische Entscheidungen beeinflusst, ist die Abweichung vom tatsächlichen Verhalten entscheidend.
Das MIT stellte den Ansatz am 9. November vor. Langfristig sehen die Beteiligten Anwendungen etwa bei weichen Robotern und in der Materialforschung. Der aktuelle Beitrag zeigt vor allem einen gemeinsamen Weg, verschiedene Bewegungen als Teilchendynamik zu behandeln. Ob daraus ein Werkzeug für neue Aufgaben wird, hängt von geeigneten Daten und der Genauigkeit im konkreten Fall ab.
Quellen
- Wang und Mitautoren: WorldParticle, Forschungspapier, Version vom 20. Mai 2026
- MIT News: A single AI model simulates the behavior of many substances, 9. November 2026
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
