KI simuliert reale Szenarien dank Physikverständnis

Forscher des MIT-CSAIL und der Tsinghua-Universität haben mit GeoPT einen neuartigen Pretraining-Ansatz vorgestellt, der KI-Modellen ein grundlegendes physikalisches Verständnis vermittelt. Auf der International Conference on Machine Learning im Juli präsentierte das Team um Minghao Guo, Kaiming He und Wojciech Matusik ein System, das Simulationen beschleunigt und den Datenbedarf erheblich reduziert. Bisher stießen KI-basierte Designs für Fahrzeuge oder Robotik an Grenzen, da Modelle physikalische Zusammenhänge weniger zuverlässig erfassen als visuelle oder textbasierte Daten. GeoPT adressiert dies, indem es die Physik als dritte Modalität nach Text und Bild etabliert. Der Ansatz nutzt synthetische Dynamik als Trainingsgrundlage. Das Modell analysierte 1,3 Millionen Proben, in denen kleine Kugeln mit komplexen 3D-Geometrien kollidieren und an diesen haften bleiben, anstatt sie zu durchdringen oder abzuprallen. Dieser Prozess vermittelt dem Netzwerk ein intuitives Verständnis für Kräfte, Impuls und Materialeigenschaften, bevor eigentliche gelabelte Daten verarbeitet werden. Herkömmliche numerische Solver sind zwar präzise, aber rechenintensiv und limitieren die Skalierbarkeit. GeoPT umgeht diese Engpässe durch eine geometriezentrierte Vortrainingsstrategie, die physikalische Interaktionen in virtuellen 3D-Umgebungen effizient abbildet. Die Ergebnisse zeigen deutliche Effizienzgewinne: Das System erreicht die maximale Leistung doppelt so schnell wie vergleichbare Ansätze und benötigt bis zu sechzig Prozent weniger Trainingsdaten. Praktisch anwendbar ist GeoPT über eine intuitive Schnittstelle. Nutzer laden 3D-Modelle wie Flugzeuge, Schiffe oder Fahrzeuge hoch, definieren Kraftvektoren und erhalten visuelle Wärmeüberlagerungen, die Spannungskonzentrationen, Auftriebsverhalten oder Kollisionsfolgen anzeigen. Dies unterstützt Ingenieure bei der aerodynamischen Optimierung, Strukturanalyse und Robotiksimulation. Experten bestätigen das Potenzial des Ansatzes. Fei Sha von Meta hob hervor, dass synthetische Dynamikkonzepte die traditionelle Annahme widerlegen, physikalische und geometrische Berechnungen seien zwangsläufig verknüpft und benötigten kostenintensive Fachdaten. Die entwickelte Architektur markiere einen entscheidenden Schritt hin zu einem universellen Physik-Fundamentmodell. Solche Systeme sollen KI-Tools über verschiedene Domänen hinaus generalisieren lassen, etwa bei der Wettervorhersage, Materialentwicklung oder realistischen Video-Generierung. Die Zusammenarbeit zwischen MIT, Tsinghua und Industrie-partnern wie Google DeepMind unterstreicht die strategische Bedeutung des Projekts. Mit GeoPT rückt die Realisierung eines dateneffizienten, physikalisch fundierten KI-Backbones näher, der Engineering-Workflows grundlegend transformieren kann.