GeoPT enseña física a modelos de IA para simular mejor el mundo real

La inteligencia artificial ya puede generar imágenes, texto y video con soltura, pero hacer que entienda cómo responde un objeto real al viento, a las olas o a un impacto sigue siendo mucho más difícil. Un equipo de MIT y la Universidad de Tsinghua presentó ahora un enfoque llamado GeoPT que busca cerrar parte de esa brecha: antes de pedirle al modelo que resuelva un problema concreto, lo entrenan con una gran biblioteca de interacciones físicas sintéticas para que aprenda patrones más generales sobre cómo se comportan las fuerzas en objetos tridimensionales.

La idea se parece, en cierto modo, a enseñarle intuición física a una máquina. En lugar de depender solo de datos etiquetados para cada caso industrial, GeoPT observa millones de ejemplos simulados en los que pequeñas esferas se mueven a distintas velocidades y ángulos hasta chocar o detenerse en superficies complejas. A partir de esa experiencia previa, el sistema aprende relaciones geométricas y dinámicas que luego puede reutilizar cuando se le pide predecir cómo respondería otro objeto ante presiones, corrientes de aire o el oleaje.

Según los investigadores, ese preentrenamiento permitió mejorar tanto la velocidad como la eficiencia de las simulaciones. En pruebas con formas tridimensionales complejas sometidas a viento y presión superficial, el modelo superó a herramientas de referencia en precisión y tiempo de ajuste. En ensayos sobre cascos de embarcaciones expuestos al aire y al agua, necesitó alrededor de 60% menos datos etiquetados y alcanzó su mejor rendimiento varias veces más rápido que los métodos comparados.

El posible interés práctico es claro. Simulaciones de alta fidelidad son útiles para diseñar vehículos, estructuras y componentes sin tener que depender siempre de ensayos físicos costosos o lentos. Si un modelo puede aproximar mejor qué le ocurrirá a un fuselaje, a un casco o a otra geometría compleja bajo determinadas fuerzas, los equipos de ingeniería pueden explorar más variantes en menos tiempo. Eso no elimina la necesidad de pruebas reales, pero sí puede volver más eficiente la etapa de diseño y descarte.

El trabajo también muestra una tendencia más amplia en inteligencia artificial científica: no basta con que un modelo vea muchas imágenes o textos si luego debe enfrentarse a problemas donde importan restricciones físicas. Dotarlo de una base previa sobre geometría, contacto y movimiento puede hacerlo más útil en tareas donde la plausibilidad material importa tanto como el cálculo numérico.

Aún así, conviene no sobredimensionar el resultado. El estudio fue presentado en la International Conference on Machine Learning y circula como preprint en arXiv, lo que significa que su alcance todavía deberá ponerse a prueba en más contextos y por otros equipos. Además, rendir bien en ciertos benchmarks industriales no garantiza que el método funcione igual de bien en cualquier entorno físico imaginable. Lo que sí sugiere es que una parte del problema no estaba solo en tener más datos, sino en entrenar a los modelos para reconocer mejor las reglas básicas del mundo que intentan simular.