GeoPT: Khi AI bắt đầu “hiểu vật lý” để thử nghiệm ô tô, tàu thuyền trước khi chúng được chế tạo

Trước khi một chiếc ô tô mới ra đường, một máy bay cất cánh hay một thân tàu xuống nước, các kỹ sư phải trả lời hàng loạt câu hỏi vật lý: luồng khí sẽ đi quanh bề mặt như thế nào, áp suất tập trung ở đâu, thân tàu tạo sóng và lực cản ra sao, hay khung xe sẽ chịu ứng suất thế nào trong một vụ va chạm.

Ngày nay, phần lớn những câu hỏi này được giải bằng các bộ mô phỏng số như CFD cho chất lưu và FEA cho kết cấu. Chúng rất chính xác nhưng cũng có thể cực kỳ tốn tài nguyên. Một thiết kế mới thường phải trải qua nhiều vòng mô phỏng, chỉnh sửa rồi mô phỏng lại trước khi nguyên mẫu vật lý được chế tạo.

Một hướng nghiên cứu mới từ MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), Đại học Thanh Hoa và các cộng sự đang thử đưa mô hình AI vào quy trình đó. Hệ thống có tên GeoPT được thiết kế như một mô hình tiền huấn luyện cho mô phỏng vật lý: trước khi học một nhiệm vụ cụ thể, nó đã được cho tiếp xúc với lượng lớn hình học 3D và các chuyển động tổng hợp để học những mối quan hệ cơ bản giữa hình dạng, biên vật thể và động lực học.

Trong các benchmark công nghiệp về khí động học ô tô và máy bay, thủy động lực học tàu thuyền và mô phỏng va chạm, nhóm nghiên cứu báo cáo GeoPT có thể giảm khoảng 20–60% lượng dữ liệu vật lý có nhãn cần thiết để đạt hiệu năng tương đương huấn luyện đầy đủ, đồng thời tăng tốc quá trình hội tụ tới khoảng 2 lần.

Đó là lý do GeoPT được mô tả như một bước tiến tới AI có “cảm nhận về vật lý”. Nhưng cụm từ này cần được hiểu đúng: mô hình chưa biết các định luật tự nhiên theo cách một nhà vật lý suy luận, cũng không thay thế các bộ giải số chính xác. Thứ nó học là những biểu diễn và tương quan có ích để một neural simulator thích nghi với các bài toán vật lý nhanh hơn và với ít dữ liệu mô phỏng đắt đỏ hơn.

Vì sao thử một chiếc xe ảo vẫn rất đắt?

Nhìn từ bên ngoài, mô phỏng một chiếc xe trong máy tính có vẻ đơn giản: nhập mô hình 3D, đặt vận tốc gió rồi để phần mềm tính toán. Nhưng bên trong, bài toán được chia thành một số lượng rất lớn điểm hoặc phần tử trên bề mặt và trong không gian xung quanh vật thể.

Mỗi điểm cần được tính các đại lượng như vận tốc chất lưu, áp suất, nhiệt độ, lực hoặc ứng suất, đồng thời phải thỏa mãn các phương trình vật lý và điều kiện biên. Với hình học phức tạp và độ phân giải công nghiệp, số phần tử có thể lên tới hàng triệu hoặc hàng trăm triệu.

Bài báo GeoPT đưa ra một ví dụ đáng chú ý từ bộ dữ liệu khí động học ô tô DrivAerML: tạo một mẫu mô phỏng có độ trung thực công nghiệp có thể tiêu tốn khoảng 6,1 × 10⁴ CPU-giờ. Khi cần hàng trăm hay hàng nghìn biến thể hình học để huấn luyện AI, chi phí tạo dữ liệu trở thành nút thắt lớn.

Neural simulator ra đời để giảm chi phí ở giai đoạn suy luận. Sau khi học từ các mô phỏng chuẩn, mạng nơ-ron có thể dự đoán trường áp suất, vận tốc hoặc ứng suất chỉ bằng một lần chạy mô hình. Vấn đề là muốn có một neural simulator tốt, trước tiên vẫn phải tạo ra rất nhiều dữ liệu bằng chính các bộ giải số đắt đỏ.

GeoPT nhắm vào nghịch lý đó: có thể tiền huấn luyện mô hình bằng loại dữ liệu rẻ hơn trước, rồi chỉ dùng một lượng nhỏ dữ liệu vật lý đắt tiền ở giai đoạn cuối hay không?

Học hình học thôi chưa đủ để học vật lý

Trên internet và trong các kho dữ liệu 3D có rất nhiều mô hình ô tô, máy bay, tàu thuyền, đồ nội thất và vật thể khác. Về lý thuyết, đây là nguồn dữ liệu khổng lồ để AI học về hình dạng.

Nhưng một mô hình chỉ học hình học tĩnh có thể biết bề mặt nằm ở đâu mà vẫn không biết điều gì sẽ xảy ra khi dòng khí đi qua nó.

Đây là khoảng cách mà nhóm GeoPT gọi là geometry–physics gap. Một vật thể 3D chỉ cung cấp thông tin về miền không gian và biên. Bài toán vật lý còn cần động lực học: hướng chuyển động, vận tốc, lực tác động, điều kiện dòng chảy và nhiều tham số khác.

Các thử nghiệm trong bài báo cho thấy tiền huấn luyện chỉ bằng những nhiệm vụ hình học như dự đoán khoảng cách tới bề mặt không nhất thiết giúp mô phỏng vật lý tốt hơn; trong một số trường hợp còn gây negative transfer, tức kiến thức học trước làm hiệu năng nhiệm vụ sau giảm đi.

GeoPT được tạo ra để làm cho dữ liệu hình học vốn tĩnh trở nên “có động lực học” trước khi mô hình nhìn thấy CFD hay mô phỏng va chạm thực sự.

GeoPT tạo “vật lý giả lập” từ những hạt chuyển động quanh vật thể

Ý tưởng trung tâm của GeoPT được gọi là dynamics-lifted geometric pre-training, có thể hiểu là tiền huấn luyện hình học được “nâng” lên không gian động lực học.

Với mỗi mô hình 3D, hệ thống tạo nhiều trường vận tốc ngẫu nhiên cho các điểm trong và quanh vật thể. Những điểm này được cho chuyển động theo hướng và tốc độ đã lấy mẫu. Khi quỹ đạo chạm vào bề mặt hình học, nó dừng lại tại biên thay vì xuyên qua vật thể.

Quá trình này rất đơn giản nếu so với một mô phỏng CFD hoàn chỉnh. Nó không cố giải chính xác toàn bộ phương trình Navier–Stokes, không tái tạo mọi xoáy khí hay tính chính xác lực cản của một chiếc xe.

Nhưng bài toán buộc mô hình phải học một điều quan trọng: chuyển động bị chi phối bởi hình học và điều kiện biên. Một hạt đi theo hướng này sẽ gặp bề mặt ở đâu? Hướng vận tốc thay đổi sẽ làm mối quan hệ giữa các điểm và hình học thay đổi ra sao?

Theo cách diễn giải lý thuyết của nhóm, nhiệm vụ tiền huấn luyện tương ứng với một dạng phương trình vận chuyển bảo toàn khối lượng với điều kiện dính tại biên. Nó không phải toàn bộ vật lý của các bài toán sau, nhưng tạo ra một prior về sự tương tác giữa động lực học và hình học.

Hơn một triệu mẫu tiền huấn luyện mà không cần chạy CFD cho từng mẫu

Nhóm sử dụng hơn 10.000 hình học thuộc các nhóm liên quan tới ô tô, máy bay và phương tiện đường thủy trong ShapeNet. Mỗi hình được kết hợp với nhiều cấu hình động lực học ngẫu nhiên, tạo ra hơn một triệu mẫu tiền huấn luyện; MIT cho biết quy mô khoảng 1,3 triệu mẫu synthetic dynamics.

Trong cấu hình được mô tả trong bài báo, mỗi hình học có 100 trường động lực học ngẫu nhiên. Dữ liệu supervision tiền huấn luyện có tổng dung lượng khoảng 5 TB và được tạo ngoại tuyến trong khoảng ba ngày trên 80 lõi CPU.

Điểm quan trọng không nằm ở con số 5 TB, mà ở chỗ những mẫu này rẻ hơn rất nhiều so với việc phải chạy mô phỏng công nghiệp chính xác cho từng hình dạng. Nhờ vậy, mô hình có thể được tiền huấn luyện trên độ đa dạng hình học lớn trước khi bước vào nhiệm vụ kỹ thuật cụ thể.

Đây là một chiến lược quen thuộc trong AI hiện đại: học từ nguồn dữ liệu quy mô lớn trước, rồi tinh chỉnh bằng dữ liệu chuyên ngành sau. Điểm khác của GeoPT là nguồn tiền huấn luyện không phải văn bản hay ảnh, mà là hình học 3D được ghép với động lực học tổng hợp.

“Prompt” của GeoPT không phải câu lệnh bằng ngôn ngữ

Một chi tiết thú vị là nhóm nghiên cứu cũng dùng từ prompt, nhưng nó không có nghĩa giống câu lệnh người dùng nhập vào ChatGPT.

Trong GeoPT, prompt về cơ bản là trường vận tốc hoặc điều kiện động lực học được đưa vào cùng hình học. Bằng cách cấu hình trường này khác nhau, cùng một mô hình tiền huấn luyện có thể được tinh chỉnh cho nhiều lớp bài toán.

• Khí động học ô tô và máy bay: hướng và độ lớn vận tốc biểu diễn dòng khí tới, tốc độ bay, góc tấn hoặc góc trượt.
• Thủy động lực học tàu: hệ thống dùng các trường vận tốc riêng cho pha nước và không khí để biểu diễn chuyển động hai pha quanh thân tàu.
• Mô phỏng va chạm: trường vận tốc được cấu hình theo vị trí, hướng va chạm và suy giảm theo khoảng cách để biểu diễn sự lan truyền tác động.

Nhờ một giao diện chung gồm geometry + dynamics field, mô hình có thể mang phần biểu diễn đã học từ giai đoạn tiền huấn luyện sang các nhiệm vụ vật lý rất khác nhau.

Thử khí động học ô tô trước khi xe được chế tạo

Một trong những benchmark lớn nhất của GeoPT là DrivAerML, bộ dữ liệu khí động học ô tô có các lưới mô phỏng quy mô khoảng 160 triệu điểm mỗi mẫu.

Nhiệm vụ của neural simulator là nhận hình dạng xe rồi dự đoán phân bố áp suất trên bề mặt và trường vận tốc không khí xung quanh. Đây chính là loại thông tin mà kỹ sư cần khi đánh giá lực cản, độ ổn định và hiệu quả khí động học của một thiết kế.

GeoPT không bỏ qua CFD để tự “phát minh” câu trả lời. Mô hình vẫn cần fine-tune trên các mẫu CFD độ trung thực cao. Nhưng nhờ tiền huấn luyện, nó bắt đầu từ một trạng thái đã biết cách liên hệ hình học với các trường chuyển động, thay vì học hoàn toàn từ đầu.

Về quy trình thiết kế, điều này có thể đặc biệt hữu ích khi kỹ sư muốn quét nhanh nhiều biến thể. Một neural surrogate nhanh có thể loại bỏ các phương án kém triển vọng trước, sau đó chỉ những thiết kế cuối cùng mới cần chạy CFD đầy đủ hoặc thử trong hầm gió.

GeoPT còn được thử trên va chạm ô tô

Khí động học chỉ là một nửa câu chuyện với xe. Nhóm nghiên cứu còn xây dựng benchmark Car-Crash dựa trên mô hình chuẩn công nghiệp và mô phỏng bằng OpenRadioss ở nhiều góc va chạm.

Đầu ra cần dự đoán là giá trị ứng suất Von Mises cực đại theo từng phần tử trong quá trình biến dạng. Đây là bài toán khác hẳn CFD: thay vì chất lưu chạy quanh một vật thể gần như cứng, cấu trúc xe bị biến dạng mạnh khi chịu tác động.

Điều đáng chú ý là GeoPT vẫn mang lại cải thiện dù giai đoạn tiền huấn luyện chỉ dùng một quá trình vận chuyển đơn giản trên hình học. Theo các tác giả, điều này cho thấy prior về tương tác giữa hình học, biên và hướng động lực học có thể chuyển sang nhiều dạng vật lý hơn một nhiệm vụ duy nhất.

Dẫu vậy, nó không có nghĩa một kỹ sư có thể dùng GeoPT để chứng nhận an toàn va chạm mà không cần mô phỏng chuẩn hoặc thử nghiệm thực tế. Benchmark cho thấy khả năng học surrogate hiệu quả hơn, không phải thay thế quy trình xác nhận an toàn.

Với tàu thuyền, bài toán phức tạp vì có cả nước và không khí

Một benchmark khác là DTCHull, được thiết kế để mô phỏng lực cản và quá trình tạo sóng quanh các thân tàu khác nhau.

Nhóm tạo 130 hình dạng thân tàu bằng cách thay đổi các tham số hình học, sau đó chạy mô phỏng dòng hai pha nước–không khí bằng OpenFOAM. Các trường hợp còn thay đổi góc yaw để tạo ra điều kiện vận hành đa dạng.

Neural simulator phải dự đoán áp suất trung bình trên bề mặt cùng vận tốc dòng nước xung quanh thân tàu. Đây là bài toán khó vì đường biên giữa nước và không khí chuyển động, còn hình học thân tàu thay đổi đáng kể giữa các mẫu.

Chính trên DTCHull, GeoPT cho thấy mức tiết kiệm dữ liệu lớn nhất được báo cáo: khoảng 60%. Theo bài báo, lợi ích tăng lên khi bài toán có độ đa dạng hình học cao, vì pre-training trên nhiều loại hình 3D giúp mô hình tổng quát hóa tốt hơn sang các thân tàu mới.

MIT News cho biết trong thử nghiệm này, mô hình đạt độ chính xác đỉnh nhanh hơn đáng kể so với các baseline và cần ít dữ liệu có nhãn hơn để mô tả cả tác động của nước lẫn không khí lên thân tàu.

Máy bay cũng nằm trong bộ thử nghiệm

GeoPT được đánh giá trên hai nhóm benchmark máy bay: NASA-CRM và AirCraft. Các nhiệm vụ không chỉ thay đổi hình dạng mà còn thay đổi tốc độ, góc tấn và trong một số trường hợp cả góc sideslip.

Ở benchmark AirCraft, mô hình phải dự đoán sáu thành phần lực và mô-men khí động học trong những điều kiện khác nhau. Bài báo báo cáo GeoPT cải thiện hiệu năng so với backbone Transolver được huấn luyện từ đầu, dù đây là một bài toán khó vì có khoảng cách hình học đáng kể giữa dữ liệu huấn luyện và kiểm tra.

Những thử nghiệm này cho thấy mục tiêu của GeoPT không phải tạo một mạng riêng cho “xe” hay một mạng riêng cho “tàu”, mà xây một điểm khởi đầu chung có thể chuyên biệt hóa sang nhiều hệ vật lý liên quan đến hình học 3D.

“AI hiểu vật lý” chính xác tới mức nào?

Đây là phần cần thận trọng nhất khi diễn giải nghiên cứu.

GeoPT không được đưa toàn bộ định luật cơ học, phương trình Navier–Stokes hay lý thuyết đàn hồi rồi tự suy luận như một nhà khoa học. Giai đoạn tiền huấn luyện của nó chủ yếu học từ các quỹ đạo tổng hợp đơn giản có điều kiện biên hình học.

Sau đó, để dự đoán một trường vật lý thực tế, mô hình vẫn cần được fine-tune bằng dữ liệu do các numerical solver tạo ra. Các dữ liệu đó mang thông tin chi tiết về loại vật lý cụ thể mà pre-training không có.

Do đó, cách nói chính xác hơn là GeoPT học một physics-aligned prior: một biểu diễn đã được định hướng để chú ý đến mối liên hệ giữa hình học và chuyển động. Nhờ prior này, mô hình học bài toán thật nhanh hơn khi được cung cấp các ví dụ CFD, thủy động lực học hoặc va chạm.

Ngay chính bài báo cũng lưu ý rằng pre-training chỉ tạo ra các tương quan hữu ích cho một lớp hệ liên tục và động học; nó không bảo đảm khả năng tổng quát hóa vật lý phổ quát.

GeoPT không thay thế CFD, FEA hay thử nghiệm vật lý

Một neural simulator là mô hình xấp xỉ. Nó học ánh xạ từ hình học và điều kiện đầu vào sang trường vật lý dựa trên dữ liệu mà nó từng thấy. Điều này khác với bộ giải số trực tiếp giải hệ phương trình vật lý dưới các giả định đã xác định.

Trong phát triển sản phẩm, neural simulator có thể rất mạnh ở những giai đoạn cần tốc độ: tối ưu hình dạng, khám phá nhiều biến thể, kiểm tra sơ bộ hoặc tạo vòng lặp thiết kế tương tác.

Nhưng các thiết kế cuối cùng – đặc biệt là phương tiện liên quan tới an toàn – vẫn cần được xác nhận bằng mô phỏng độ trung thực cao, thử nghiệm phần cứng và các quy trình chứng nhận tương ứng.

Vì vậy, hình dung hợp lý không phải “AI thay thế phòng thử nghiệm”, mà là AI giảm số lần phải gọi những phép thử đắt nhất.

Tại sao việc giảm 20–60% dữ liệu có nhãn lại quan trọng?

Trong thị giác máy tính, thêm vài nghìn ảnh vào tập huấn luyện có thể tương đối rẻ. Với mô phỏng công nghiệp, thêm vài trăm mẫu có thể đồng nghĩa với hàng nghìn hoặc hàng triệu giờ tính toán.

Nếu một mô hình tiền huấn luyện có thể đạt mức hiệu năng tương đương trong khi chỉ cần 40–80% số mẫu vật lý trước đây, lợi ích có thể xuất hiện ở nhiều tầng.

• Giảm chi phí tính toán: ít lượt CFD hoặc FEA dùng để tạo dữ liệu huấn luyện hơn.
• Rút ngắn vòng lặp thiết kế: neural simulator đạt độ chính xác hữu ích nhanh hơn.
• Mở rộng số hình dạng được khám phá: kỹ sư có thể dành ngân sách mô phỏng cho nhiều phương án thiết kế hơn.
• Dễ xây mô hình chuyên ngành hơn: những doanh nghiệp có ít dữ liệu riêng có thể bắt đầu từ một backbone đã tiền huấn luyện.

Đó cũng là lý do “foundation model cho vật lý” trở thành một mục tiêu hấp dẫn: thay vì mỗi công ty hoặc nhóm kỹ sư phải huấn luyện từ đầu cho từng bài toán, họ có thể bắt đầu từ một mô hình chung rồi thích nghi bằng tập dữ liệu nhỏ hơn.

Từ foundation model ngôn ngữ tới foundation model vật lý

Các mô hình ngôn ngữ lớn hoạt động tốt một phần vì chúng được tiền huấn luyện trên khối lượng văn bản khổng lồ. Các mô hình thị giác cũng tận dụng hàng triệu hoặc hàng tỷ ảnh để học biểu diễn trước khi chuyển sang nhiệm vụ cụ thể.

Vật lý gặp một trở ngại khác: dữ liệu chất lượng cao thường không có sẵn miễn phí ở quy mô web. Một trường dòng CFD hay ứng suất va chạm không thể thu thập dễ như một bức ảnh.

GeoPT đề xuất một cách đi vòng: dùng lượng lớn hình học không nhãn – thứ có sẵn nhiều hơn – rồi tạo một dạng động lực học tổng hợp rẻ để đưa mô hình khỏi không gian hình học tĩnh.

Nhóm nghiên cứu cho rằng đây có thể là một bước tới “physics foundation model”: một backbone học những cấu trúc chung đủ rộng để sau đó thích nghi với nhiều bài toán mô phỏng.

Thử nghiệm bổ sung về radiosity – quá trình truyền ánh sáng giữa các bề mặt – cũng cho thấy pre-training GeoPT vẫn có thể mang lại cải thiện dù đây là miền vật lý khác đáng kể so với chất lưu và va chạm. Tuy nhiên, đây mới là bằng chứng ban đầu, chưa chứng minh một mô hình duy nhất có thể bao phủ mọi định luật vật lý.

Quy mô mô hình thực ra nhỏ hơn nhiều so với LLM

GeoPT có ba cấu hình backbone Transolver trong nghiên cứu: khoảng 3 triệu, 7 triệu và 15 triệu tham số. So với các mô hình ngôn ngữ có hàng tỷ tham số, con số này rất nhỏ.

Điều đó phản ánh sự khác biệt của bài toán. Neural simulator không cần vốn từ vựng khổng lồ hay khả năng đối thoại; nó xử lý các điểm hình học và trường vật lý có cấu trúc rất đặc thù.

Điều mà nhóm quan tâm hơn là scaling behavior: khi tăng kích thước mô hình và dữ liệu tiền huấn luyện, hiệu năng có tiếp tục cải thiện hay không. Kết quả hiện tại cho thấy GeoPT tận dụng việc tăng quy mô tốt hơn so với huấn luyện trực tiếp trên tập vật lý nhỏ, nơi mô hình lớn dễ bị overfit.

Tốc độ dự đoán nhanh không đồng nghĩa tốc độ tạo dữ liệu huấn luyện nhanh

MIT cho biết GeoPT có thể tạo các dự đoán độ trung thực cao trên những lưới cực lớn trong thời gian tính bằng giây sau khi mô hình đã được huấn luyện. Đây là lợi thế điển hình của neural surrogate: phần tính toán đắt đỏ được “khấu hao” vào quá trình huấn luyện, còn mỗi lần suy luận sau đó rất nhanh.

Tuy nhiên, trước khi đạt tới giai đoạn đó, vẫn cần dữ liệu mô phỏng chuẩn để fine-tune và kiểm chứng. Vì vậy, tốc độ suy luận không nên được diễn giải thành việc GeoPT đã loại bỏ hoàn toàn chi phí CFD hay FEA.

Giá trị của phương pháp nằm ở việc giảm số mẫu chuẩn cần thiết và rút ngắn huấn luyện, rồi tận dụng tốc độ neural network ở giai đoạn quét nhiều phương án.

Một tương lai nơi kỹ sư thử hàng nghìn thiết kế trước khi làm nguyên mẫu

Nếu các neural simulator kiểu GeoPT tiếp tục cải thiện, quy trình thiết kế phương tiện có thể thay đổi đáng kể.

Một kỹ sư có thể tạo hàng trăm phiên bản thân xe, cánh máy bay hoặc thân tàu bằng CAD hay generative design. Neural simulator nhanh sẽ đánh giá sơ bộ trường áp suất, lực, dòng chảy hoặc ứng suất của từng phương án trong vài giây đến vài phút.

Những thiết kế tệ bị loại sớm. Một nhóm nhỏ thiết kế tốt nhất được chuyển sang CFD/FEA có độ trung thực cao. Cuối cùng, chỉ một số ít phương án cần chế tạo nguyên mẫu, thử trong hầm gió, bể thử tàu hoặc crash test.

AI khi đó không phải người ký duyệt thiết kế. Nó hoạt động giống một bộ lọc vật lý tốc độ cao, giúp con người khám phá không gian thiết kế rộng hơn mà không làm chi phí mô phỏng tăng theo cùng tỷ lệ.

GeoPT vẫn còn nhiều giới hạn

Nhóm tác giả xem GeoPT là một hướng nghiên cứu đang mở rộng, không phải foundation model vật lý hoàn chỉnh.

Đầu tiên, pre-training hiện dùng một quá trình động lực học tổng hợp tương đối đơn giản. Điều này cung cấp prior tốt cho tương tác hình học–biên, nhưng không mã hóa đầy đủ các hiện tượng như nhiễu loạn phức tạp, phản ứng hóa học, truyền nhiệt đa vật lý hay phá hủy vật liệu.

Thứ hai, khi fine-tune, trường vận tốc dùng làm dynamics prompt vẫn cần được cấu hình phù hợp với nhiệm vụ. Bài báo ghi nhận độ lớn vận tốc chuẩn hóa cần được hiệu chỉnh khi ánh xạ sang tốc độ trong thế giới thực.

Thứ ba, hiệu quả của pre-training phụ thuộc vào độ đa dạng hình học. Trong một số benchmark có khoảng cách lớn giữa hình học tiền huấn luyện và dữ liệu mục tiêu, quá trình học vẫn khó và lợi ích không đồng đều.

Cuối cùng, kết quả hiện tại chủ yếu đến từ benchmark và dữ liệu mô phỏng. Để trở thành công cụ thiết kế công nghiệp đáng tin cậy, mô hình cần được kiểm tra rộng hơn trên dữ liệu doanh nghiệp, nhiều chế độ vật lý, điều kiện ngoài phân phối và quy trình xác minh nghiêm ngặt.

Điểm đáng chú ý nhất của GeoPT có thể không phải bản thân một mô hình

Có lẽ đóng góp thú vị nhất của GeoPT là chiến lược dữ liệu.

AI vật lý từ lâu bị mắc kẹt trong một vòng lặp: muốn mô hình tốt cần nhiều dữ liệu mô phỏng chính xác, nhưng chính những dữ liệu đó lại quá đắt để tạo ở quy mô lớn. GeoPT cho thấy không nhất thiết mọi kiến thức tiền huấn luyện phải đến từ một solver hoàn chỉnh.

Bằng cách kết hợp hình học sẵn có với những quy tắc động lực học tổng hợp rẻ, mô hình có thể học trước một phần cấu trúc cần thiết. Sau đó, dữ liệu vật lý độ trung thực cao được dùng cho thứ mà nó thực sự cần làm: chuyên biệt hóa và hiệu chỉnh.

Nếu ý tưởng này tiếp tục mở rộng, “dữ liệu tổng hợp” trong khoa học có thể không chỉ dùng để tăng số mẫu. Nó có thể trở thành cầu nối giữa những nguồn dữ liệu dễ kiếm và những nhiệm vụ vật lý đắt đỏ.

AI chưa trở thành nhà vật lý, nhưng đang học cách tôn trọng thế giới vật chất

GeoPT không chứng minh rằng AI đã hiểu vì sao một chiếc tàu nổi hay có thể tự suy ra định luật khí động học từ đầu. Nó cũng chưa thể thay các kỹ sư chạy mô phỏng chuẩn, thử nghiệm nguyên mẫu và xác nhận an toàn.

Nhưng nghiên cứu cho thấy một bước tiến quan trọng: AI mô phỏng có thể được tiền huấn luyện để nhạy với hình học và động lực học trước khi học một bài toán vật lý cụ thể.

Nhờ đó, khi được giao dự đoán gió quanh một chiếc xe, nước quanh thân tàu hay ứng suất trong một vụ va chạm, mô hình không còn bắt đầu từ con số không.

Trong tương lai, nếu những hệ thống như GeoPT tiếp tục được mở rộng về dữ liệu, mô hình và số miền vật lý, kỹ sư có thể thử nghiệm phần lớn vòng đời của một thiết kế ngay trong không gian số – từ lúc nó mới là một hình 3D cho tới khi chịu gió, nước, lực và va chạm – trước khi vật thể đầu tiên được chế tạo.

Nguồn tham khảo: Haixu Wu, Minghao Guo, Zongyi Li, Zhiyang Dou, Mingsheng Long, Kaiming He và Wojciech Matusik, “GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training”, ICML 2026, arXiv:2602.20399, bản sửa đổi ngày 20/5/2026; MIT News/CSAIL, “With a feel for physics, AI models simulate a wider range of real-world scenarios”, ngày 10/8/2026; mã nguồn chính thức Physics-Scaling/GeoPT.