Modelos de inteligência artificial são bons em muitas tarefas, incluindo escrita, geração de imagens e criação de modelos 3D. No entanto, não são tão úteis quando se trata de testar robôs ou projetos de veículos em diversos ambientes, pois não compreendem a física tão bem quanto pixels ou texto. Para construir um sistema de IA que possa simular de forma confiável uma variedade de cenários físicos, os engenheiros precisam de uma gama de dados de física em uma escala que ainda não é viável. Isso ocorre porque é muito demorado obter apenas alguns pontos de dados compreensíveis para redes neurais. Elas dependem de algoritmos chamados “solucionadores numéricos” para calcular propriedades físicas em diferentes pontos de uma forma 3D. É um processo minucioso, mas leva tanto tempo que limita a quantidade de dados que você terá para, por exemplo, testar se os seus projetos de aeronaves são seguros e aerodinâmicos. Uma nova abordagem de pré-treinamento conhecida como “GeoPT”, desenvolvida por pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT e da Universidade Tsinghua, oferece aos modelos de simulação a chance de aprender física de uma forma mais ampla e eficiente. Ela recria virtualmente interações mecânicas cotidianas em 3D, mostrando como as partículas param ao atingir alguma parte de um objeto. Essas simulações dão aos modelos uma noção de como a física funciona, ajudando-os a modelar o mundo real com mais precisão, a atingir o desempen…
Fonte: MIT News - AI
Publicado em 2026-08-10