Des chercheurs du Massachusetts Institute of Technology (MIT) ont développé un système d’apprentissage profond nommé WorldParticle pour simuler des phénomènes physiques variés.
Présenté le 9 novembre 2026, ce modèle unifié d’intelligence artificielle vise à remplacer la méthode traditionnelle consistant à concevoir un simulateur spécifique pour chaque type de matière ou de fluide.
Le projet sera exposé lors de la conférence et exposition ACM SIGGRAPH en Asie.
Pour concevoir cet outil, l’équipe s’est inspirée des modèles mondiaux capables d’anticiper l’évolution d’un environnement au fil du temps.
Le système découpe chaque objet en milliers ou en millions de minuscules particules tridimensionnelles grâce à une représentation lagrangienne, suivant leur position et leur vitesse.
One AI model for sand, fluids, and proteins. MIT and UBC researchers built WorldParticle to predict particle motion across many materials. They report protein runs 100 times faster than numerical tools. It could someday help study how loose soils shift.https://t.co/GzWAEZ2LbT pic.twitter.com/24IIMXmFIZ
« Son architecture est similaire à celle de ChatGPT. Mais au lieu de prédire un mot à la fois pour rédiger un texte, nous prédisons comment ces particules vont se déplacer, étape par étape, » a expliqué Peter Yichen Chen, ancien post-doctorant au MIT et professeur assistant à l’Université de Colombie-Britannique.
« Nous voulons vivre un moment GPT pour la simulation, » a ajouté Chen, co-auteur correspondant d’un article en accès libre sur cette technologie.
Le réseau de neurones apprend à résoudre les équations régissant la physique sans nécessiter de codage manuel spécifique pour chaque substance.
Avant chaque étape, le système isole les forces externes, telles que l’impact d’une vague sur une digue, puis ajuste ses prédictions.
« Si vous étudiez les objets déformables et les fluides, vous auriez besoin de deux simulateurs — un pour chaque régime physique. Mais si vous les unifiez en un seul modèle, vous pourriez peut-être coupler la physique de ces deux processus et mieux comprendre de nouveaux problèmes ? » a indiqué Minghao Guo, post-doctorant au MIT et co-auteur principal de l’étude.
Les chercheurs ont validé le modèle sur six phénomènes physiques distincts, comprenant les objets déformables, les matériaux granulaires et les protéines.
L’approche a notamment permis de modéliser les changements de structures protéiques environ cent fois plus vite que les simulateurs numériques.
Pour gérer la lourdeur de calcul induite par des millions de particules, l’équipe a mis en place une technique de fusion pour combiner et compresser les particules tout en conservant les détails de leur comportement.
À l’avenir, les chercheurs envisagent d’appliquer ce cadre généraliste à la manipulation de robots mous, à l’évolution de l’ARN ainsi qu’à des phénomènes astrophysiques comme la fusion de galaxies.
« Nous avons dû réaliser un travail d’ingénierie très minutieux et apporter de nombreux ajustements à l’architecture pour qu’elle soit véritablement généralisable et évolutive, » a précisé Guo.
Pour aller plus loin