Разработана система PhysicsLM, которая превращает физическое моделирование в задачу предсказания следующего токена, позволяя запускать стабильные 2D-симуляции твердых тел прямо в браузере через WebGPU.
Что произошло
Исследователи представили систему PhysicsLM, основанную на модели LFM2-350M, дообученной методом LoRA на наборе данных PhysicsScenes, содержащем 900 000 сцен. Система демонстрирует точность позиционирования с ошибкой всего 22.64 px и обеспечивает стабильную работу при частоте более 50 кадров в секунду благодаря использованию WebGPU для инференса на стороне клиента.
Контекст
Подход PhysicsLM рассматривает физические законы движения объектов как последовательности токенов, что позволяет применять архитектуры, подобные Large Language Models (LLM), для решения задач динамики. Это сближает методы физического симуляционного моделирования с методами обработки естественного языка (NLP).
Почему это важно для индустрии
Проект демонстрирует потенциал унификации подходов к физике и языковым моделям, превращая симуляцию в задачу авторегрессионного языкового моделирования. Это открывает путь к созданию мультимодальных моделей, где физическое взаимодействие является частью общего токенизированного пространства, и позволяет интегрировать физическую логику в LLM-агентов.
Почему это важно для пользователей
Для разработчиков и пользователей это означает возможность запускать высокопроизводительные физические симуляции непосредственно в браузере без необходимости использования мощных серверных вычислений. Это снижает порог входа для создания интерактивного контента, игровых движков нового поколения и легковесных прототипов физических сценариев.
Что пока неизвестно / ограничения
Существует умеренный скептицизм относительно масштабируемости метода при переходе от 2D к более сложным 3D-симуляциям, а также вопросы сложности инференса при усложнении физических сценариев.
Источники
Автор
Look at AI, редакция