GeoPT : l'IA modélise la physique plus efficacement

Une équipe de chercheurs du MIT et de l'Université de Tsinghua a développé GeoPT, une nouvelle approche de pré-entraînement permettant aux modèles d'intelligence artificielle de simuler avec précision une large gamme de scénarios physiques. Alors que les IA actuelles excellent à traiter le texte et les images, elles peinent encore à modéliser la physique des environnements réels, un obstacle majeur pour le développement de robots ou de designs industriels. La génération de données physiques via les solveurs numériques traditionnels est en effet extrêmement longue et nécessite des quantités massives de calculs, limitant ainsi les tests de sécurité et d'aérodynamisme. GeoPT contourne ces limites en apprenant la physique par la dynamique synthétique. L'outil a été entraîné sur 1,3 million d'échantillons virtuels représentant des interactions entre des particules et des formes tridimensionnelles complexes. Dans ces simulations, les particules entrent en contact avec les objets et s'y fixent plutôt que de les traverser. Cette méthode confère aux modèles une intuition physique intuitive, leur permettant d'atteindre leurs performances optimales deux fois plus rapidement et de réduire la consommation de données d'entraînement jusqu'à 60 pour cent par rapport aux modèles de référence. L'utilisation de GeoPT est accessible : il suffit d'importer un modèle tridimensionnel et de définir la vitesse et la direction d'une force pour obtenir une carte thermique prédictive. Ce système permet d'évaluer les réactions d'objets variés face au vent, à l'eau, aux collisions ou à la lumière. Les chercheurs envisagent d'étendre cette technologie pour modéliser des phénomènes plus complexes, comme les phénomènes météorologiques ou les tests de nouveaux matériaux. Minghao Guo, doctorant au CSAIL et co-auteur principal de l'étude, souligne que la physique représente désormais la troisième modalité essentielle pour l'IA, au même titre que le texte et les pixels. Selon lui, cette approche générale vise à poser les fondations d'un modèle monde physique capable de généraliser ses capacités à diverses tâches, améliorant ainsi le réalisme des données générées pour la robotique ou la vidéo. L'expertise de Fei Sha, scientifique IA chez Meta, valide également cette innovation, notant qu'elle remet en question l'entrelacement traditionnel entre physique et géométrie dans le calcul, ouvrant la voie à un développement accéléré de modèles fondamentaux dédiés à la physique. Les travaux, présentés en juillet lors de la Conférence internationale sur l'apprentissage machine, rassemblent les contributions de chercheurs du MIT, de Google DeepMind et de l'Université de Tsinghua. Ce développement marque une étape significative vers une intégration plus robuste de la physique dans les outils d'intelligence artificielle, promettant d'accélérer considérablement la conception et la validation d'ingénierie complexe.