Modelar cómo se mueve el agua, cómo se derrumba una pila de arena o cómo cambia la forma de una proteína suele exigir programas distintos. Cada material responde a fuerzas y contactos de manera propia, y los simuladores convencionales se construyen alrededor de esas reglas. Un equipo de investigadores propone ahora un atajo ambicioso: una misma arquitectura de inteligencia artificial que trate a esos sistemas como conjuntos de partículas en movimiento.
El modelo, llamado WorldParticle, divide el objeto o material que quiere representar en muchos puntos tridimensionales. A partir de su posición, velocidad y propiedades físicas, calcula dónde estará cada punto en el siguiente paso de tiempo. El sistema separa primero el efecto de fuerzas externas —por ejemplo, un empuje— y después corrige su predicción para incorporar las interacciones entre las partículas. Así intenta aprender patrones de movimiento sin diseñar desde cero un programa para cada fenómeno.
En el trabajo, disponible como preprint en arXiv y todavía sin revisión por pares, los autores evaluaron la misma arquitectura con seis clases de dinámica: telas y otros objetos deformables, fluidos newtonianos y no newtonianos, materiales granulares y dinámica molecular. También informan que el modelo pudo enfrentarse a condiciones no vistas durante el entrenamiento, como nuevas geometrías, fuerzas externas o configuraciones iniciales. En una de las comparaciones, reprodujo el colapso de un material granular sin dejar partículas suspendidas de forma poco realista; en otra, simuló cambios estructurales de proteínas.
La propuesta no consiste en que arena, agua y proteínas sean físicamente iguales. El objetivo es usar una representación común para describir sus cambios y dejar que la red neuronal aprenda las correcciones necesarias en cada caso. Si este enfoque funciona de manera fiable, podría facilitar problemas donde se acoplan materiales diferentes, como un fluido que golpea una pieza flexible o un robot blando que interactúa con suelo o arena.
El resultado debe leerse como una demostración metodológica, no como una sustitución inmediata de todos los simuladores especializados. Las simulaciones físicas se valoran no solo por parecer plausibles, sino por conservar las propiedades relevantes del sistema y por acertar fuera de los casos con los que fueron ajustadas. Además, el artículo comunica pruebas computacionales; no demuestra por sí solo que el modelo sirva ya para diseñar medicamentos, predecir fenómenos astrofísicos o resolver cualquier problema de ingeniería.
El desafío más amplio es unir eficiencia y precisión. Un material detallado puede requerir millones de partículas, una cantidad que vuelve costosos los cálculos. WorldParticle comprime parte de esa información mientras conserva una representación más fina para producir sus predicciones. Queda por comprobar con evaluaciones independientes en qué situaciones esa estrategia mantiene la fidelidad que necesitan los científicos e ingenieros. Aún con esa cautela, el trabajo muestra una dirección interesante para la simulación: buscar herramientas que conecten fenómenos distintos sin confundir una demostración prometedora con una solución universal.
A single AI model simulates the behavior of many substances, from sliding sand to folding proteins · MIT News Research
Courtesy of the researchers · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen
Wang, C., Guo, M., Chen, S., Zhang, H., Wang, M., Ni, X., Sun, H., Wang, K., Pan, Z., Wu, K., Liu, L., Yang, Y., Jiang, C., Komura, T., Matusik, W., & Chen, P. Y. (2026). WorldParticle: Unified world simulation of Lagrangian particle dynamics via transformer. arXiv. https://doi.org/10.48550/arXiv.2605.15305
Relacionadas por categoría
Ver masUn método adaptativo mejora la detección de texto generado por IA en pruebas controladas
Un preprint probó un detector que se ajusta a textos recientes sin etiquetas y rindió mejor ante cambios de estilo y tácticas para eludirlo.
Un sistema convierte artículos científicos en asistentes reutilizables
Un método empaqueta texto, código, datos y flujos de trabajo de algunos estudios para que una IA pueda ejecutar análisis y responder consultas en lenguaje natural.
Un cúbit lógico redujo sus errores a unos pocos por millón de ciclos
Un experimento con iones atrapados mostró que aumentar la protección de un cúbit lógico redujo de forma marcada sus errores. El resultado es prometedor, pero todavía es un preprint y una demostración de pequeña escala.
Más de la misma fuente
Ver masUn material seco podría extender el uso de ecografías portátiles sin gel
Una interfaz elástica y seca transmitió ultrasonido durante días en pruebas de laboratorio y siguió el flujo sanguíneo durante un paseo en bicicleta.
Los centros de datos pueden desplazar la contaminación del aire a otras regiones
Un modelo sobre Estados Unidos estima que la electricidad adicional de los centros de datos puede elevar la contaminación del aire lejos de sus instalaciones.
Un método adaptativo mejora la detección de texto generado por IA en pruebas controladas
Un preprint probó un detector que se ajusta a textos recientes sin etiquetas y rindió mejor ante cambios de estilo y tácticas para eludirlo.
Más del mismo autor
Ver masEl clima puede cambiar el mapa de plagas en bosques de Norteamérica
Un estudio proyecta que, si las emisiones siguen altas, más del 80% de los bosques analizados en Norteamérica podría enfrentar mayor presión de plagas y enfermedades hacia mediados de siglo.
Las suricatas pueden volver solas a su grupo tras ser desplazadas
Un experimento de campo halló que 18 de 20 suricatas desplazadas a 1,5 kilómetros regresaron de forma dirigida, sin seguir a otros miembros de su grupo.
Un material seco podría extender el uso de ecografías portátiles sin gel
Una interfaz elástica y seca transmitió ultrasonido durante días en pruebas de laboratorio y siguió el flujo sanguíneo durante un paseo en bicicleta.