If you’ve been keeping track of artificial intelligence (AI) developments, you’ll know AI models are versatile tools that significantly excel in writing, creating visuals, and generating 3D models. But there’s a limit to their proficiency. Where they fall short is performing tests on robots or vehicle designs across diverse environments. Essentially, they struggle with the laws of physics more than they do with pixels or text.<\/p>\n
So, what has been obstructing the creation of an AI system that can faultlessly depict various physical scenarios? The answer lies in the incredible scale of physics data required which is, at this point, out of reach. Giving neural networks enough data points they can comprehend is a time-consuming endeavor. These networks rely on a type of algorithm known as “numerical solvers” to pin down physical properties across different areas of a 3D shape. While this painstaking method garners detailed results, it is rather slow, curtailing the data amount available. For instance, it can limit assessing the safety or aerodynamics of airplane designs.<\/p>\n
MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) and Tsinghua University researchers have developed a pioneering pre-training method called “GeoPT.” This approach allows simulation models to learn physics more effectively by virtually reenacting daily mechanical interactions in 3D. With GeoPT, models can grasp how particles interact with objects, intensifying their ability to accurately mirror real-world scenarios. What’s more, this model can outperform leading models by training on up to 60% less data and achieving optimum performance twice as fast.<\/p>\n
Stellen Sie sich die Auswirkungen von GeoPT vor. Ingenieure k\u00f6nnten vorhersagen, wie Fahrzeuge, Haushaltsgegenst\u00e4nde und Roboter auf verschiedene physikalische Einfl\u00fcsse wie Wind, Wasser und Kollisionen reagieren. Den Forschern zufolge k\u00f6nnte diese bahnbrechende Arbeit den Grundstein f\u00fcr ein umfassendes Physiksystem legen, das KI-Tools dabei unterst\u00fctzt, ihre F\u00e4higkeiten auf verschiedene Aufgaben auszuweiten.<\/p>\n
Minghao Guo, a PhD student at MIT and a CSAIL researcher, explained the significant versatility of their ground-breaking model. “We believe physics is the third modality for AI models, after text and pixels,” Guo stated. This model will add a layer of physical accuracy in addition to handling textual and visual data, creating more realistic results.<\/p>\n
Die Nutzung von GeoPT ist benutzerfreundlich und f\u00fcr den praktischen Einsatz optimiert. Benutzer k\u00f6nnen 3D-Modelle verschiedener Objekte wie Flugzeuge oder Lkw hochladen und Richtung sowie Geschwindigkeit der Kraft festlegen, die sie simulieren m\u00f6chten. Das Ergebnis ist eine Heatmap, die zeigt, wie das Objekt unterschiedlichen Einfl\u00fcssen standh\u00e4lt \u2013 ein n\u00fctzliches Werkzeug zur Simulation vielf\u00e4ltiger Szenarien wie Autounf\u00e4lle oder den Auftrieb von Booten bei hitzigen Debatten.<\/p>\n
Die St\u00e4rke von GeoPT beim Verst\u00e4ndnis physikalischer Zusammenh\u00e4nge beruht auf der \u201csynthetischen Dynamik\u201d, die die Wechselwirkungen zwischen kleinen Partikeln und komplexen 3D-Formen umfasst. Nach der Analyse von 1,3 Millionen Beispielen synthetischer Dynamik hat GeoPT ein fundiertes Verst\u00e4ndnis der Physik entwickelt. Dies wurde erreicht, indem visualisiert wurde, wie sich winzige Kugeln mit unterschiedlichen Geschwindigkeiten und in verschiedenen Winkeln bewegten, bevor sie an einem Objekt zum Stillstand kamen. Diese Lernmethode \u00e4hnelt der Beobachtung physikalischer Wechselwirkungen mithilfe von Murmeln und Actionfiguren und erm\u00f6glicht es Simulationsmodellen, ein Verst\u00e4ndnis der Physik zu erlangen, bevor sie anhand von beschrifteten Daten trainiert werden.<\/p>\n
GeoPT shows created promise towards industrial applications- from simulating fighter jets’ responses to wind and boats’ interactions with air and waves, to even accurately replicating car collisions and the behavior of light, despite lacking prior training on specific 3D models or light physics. Its ability to produce accurate, high-fidelity simulations with over 100 million mesh points in seconds turns it into an invaluable and efficient tool for engineers.<\/p>\n
Mit Blick auf die Zukunft beabsichtigt das Forschungsteam, sein System weiter zu verbessern, indem es es anhand einer gr\u00f6\u00dferen Bandbreite an Formen trainiert und komplexe physikalische Ph\u00e4nomene simuliert, um so den Weg f\u00fcr eine genaue Modellierung von Wetterph\u00e4nomenen, Materialtests und eine realistischere Videogenerierung zu ebnen.<\/p>\n
Fei Sha, KI-Forscherin bei Meta, lobt die Verwendung synthetischer Bewegungsdaten als innovativen Ansatz, der der traditionellen Auffassung widerspricht, dass Physik und Geometrie spezielle und teure Daten erfordern. Sie betont, dass wir aufgrund der Erfolge in verschiedenen Anwendungsbereichen gut aufgestellt sind, um schnell physikalische Grundmodelle zu entwickeln.<\/p>\n
Finden Sie diese Forschungsarbeit interessant? Erfahren Sie mehr dar\u00fcber unter Originalnachrichtenartikel<\/a>. If you’re interested in incorporating AI automation into your business, explore the possibilities with implementi.ai<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" If you’ve been keeping track of artificial intelligence (AI) developments, you’ll know AI models are versatile tools that significantly excel in writing, creating visuals, and generating 3D models. But there’s a limit to their proficiency. Where they fall short is performing tests on robots or vehicle designs across diverse environments. Essentially, they struggle with the laws of physics more than they do with pixels or text. So, what has been obstructing the creation of an AI system that can faultlessly depict various physical scenarios? The answer lies in the incredible scale of physics data required which is, at this point, […]<\/p>\n","protected":false},"author":4,"featured_media":9383,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-9382","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9382","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=9382"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9382\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/9383"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=9382"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=9382"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=9382"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}