WorldParticle es una simulación de partículas con inteligencia artificial que usa una sola arquitectura para reproducir cómo se mueven la arena, el agua, la tela y hasta las proteínas.
Detrás está un equipo del MIT y de la Universidad de Columbia Británica, con autores de nueve instituciones. Su apuesta rompe la costumbre: en vez de programar un simulador distinto para cada fenómeno, una red neuronal aprende cómo se mueve la materia y lo predice paso a paso.
El método clásico funciona al revés. Cada material exige escribir su ecuación, convertirla en fórmula resoluble por un programa numérico y repetir el trabajo con cada fenómeno: un código para fluidos, otro para sólidos, otro para granos.
Peter Yichen Chen, profesor en Columbia Británica y uno de los dos autores de correspondencia, lo resume con una ambición declarada en MIT News: «Queremos tener un momento GPT para la simulación».
Modelo: WorldParticle, un transformer de casi 157 millones de parámetros
Equipo: MIT CSAIL y Columbia Británica, con Meta, Georgia Tech, Inria y cinco centros más
Materiales demostrados: tela, sólidos elásticos, fluidos newtonianos y no newtonianos, granulares y proteínas
En proteínas: unas 100 veces más rápido que los simuladores numéricos, en palabras de sus autores
Publicación: acceso abierto en arXiv desde mayo de 2026; se presenta en SIGGRAPH Asia 2026
El punto de partida es la representación lagrangiana, la técnica que describe un material siguiendo a sus partículas en vez de mirar una rejilla fija. WorldParticle rompe cada objeto en miles o millones de puntos tridimensionales y registra la posición y la velocidad de cada uno. Un grano de arena, una gota y un átomo quedan escritos en el mismo formato.
Sobre ese formato trabaja un esquema de predicción y corrección. Primero, un predictor explícito mueve las partículas con las fuerzas externas conocidas, como la gravedad o el golpe de una ola contra un malecón; ese avance aún no sabe cómo chocan las partículas entre sí.
Después entra la red neuronal, que corrige posiciones y velocidades calculando esas interacciones. Esa separación le permite responder ante fuerzas nunca vistas durante el entrenamiento.
Con millones de partículas, el cálculo se dispara, y ahí entra la compresión. La red resume grupos de partículas en supertokens, fichas compactas que recorren la arquitectura y luego se despliegan a resolución completa. Chen lo compara con ChatGPT: misma familia de arquitectura, solo que en vez de predecir la próxima palabra de un texto predice el próximo paso de cada partícula.
Seis materiales con la misma arquitectura
La demostración cubre seis categorías de dinámica: tela, sólidos elásticos, fluidos newtonianos, fluidos no newtonianos, materiales granulares y dinámica molecular, el terreno de las proteínas.
Los datos de entrenamiento los generaron los simuladores clásicos de cada campo: DFSPH para los fluidos, el método del punto material para la arena y OpenMM para las proteínas. La arquitectura no cambia entre un material y otro; cambia solo el dato con el que se entrena cada red.
Las pruebas buscan romper el modelo con escenarios fuera del guion. Una pila de arena con forma de tigre se derrumba con un flujo verosímil pese a que el entrenamiento solo incluyó cilindros y cajas. Una tela entrenada con secuencias de 200 fotogramas sigue enrollándose al llegar a 250, sin deshacerse.
En fluidos mantiene la estabilidad con densidades de partículas distintas de las aprendidas, en simulaciones de hasta 800 fotogramas.
En proteínas, el modelo reproduce cómo cambia la estructura de la molécula con el tiempo y firma el error de posición más bajo de las seis categorías, medido en trayectorias de 100 fotogramas y casi 62.000 grados de libertad en una sola tarjeta A100.
Minghao Guo, investigador del MIT y autor principal, pone la cifra que buscaba el titular: ese trabajo corre unas 100 veces más rápido que los simuladores numéricos. La comparación con otros simuladores de IA deja peor parados a GNS y DeepLagrangian, que dejaban granos flotando en el aire o telas que se atravesaban en las secuencias largas.
La letra pequeña la escriben los propios autores
La memoria manda el primer límite: la primera capa de la red atiende a todas las partículas a la vez, y eso topa en torno a 50.000 partículas en una sola GPU A100 de 80 GB.
El segundo límite lo admite el propio artículo: la arquitectura es una sola, pero hoy se entrena un juego de parámetros distinto para cada categoría. Pasar de arquitectura unificada a un modelo único con pesos compartidos queda como trabajo futuro, y mantener la precisión por categoría costará trabajo extra, avisan los autores.
El estudio también deja probadas tres aplicaciones que salen de la simulación pura: controlar objetos deformables aplicando fuerzas en tiempo real, recuperar el coeficiente de fricción de un objeto a partir de su trayectoria y aprender el movimiento desde observaciones del mundo real, sin simulador clásico de por medio.
Los investigadores apuntan más lejos y hablan de robots blandos que tocan suelo granular, de evolución del ARN y hasta de la fusión de galaxias, terrenos donde la misma idea podría trabajar.
WorldParticle nace de los modelos de mundo que generan escenarios interactivos, solo que aquí el mundo no se pinta en píxeles: se calcula partícula a partícula.
El artículo completo, con sus tablas de error y sus límites declarados, lleva desde mayo en acceso abierto, y su próxima parada es SIGGRAPH Asia 2026, donde el equipo lo presentará.
Fuente: MIT News
