Um único modelo de IA simula areia, objetos deformáveis e proteínas, e acelera a simulação de proteínas em cerca de 100 vezes

Sistema desenvolvido por MIT e mais oito instituições simula seis fenômenos físicos com um único modelo e acelera a simulação de proteínas em cerca de 100 vezes, segundo o MIT News.

10 de novembro de 2026 · 4 min de leitura

Mãos deixando areia escorrer entre os dedos em um cenário de deserto

Pesquisadores do MIT e de outras oito instituições apresentaram um sistema de aprendizado profundo capaz de simular fenômenos físicos diferentes com um único modelo, em vez de exigir um simulador especializado para cada tipo de material. Segundo o anúncio, o sistema modelou a mudança de estruturas de proteínas ao longo do tempo cerca de 100 vezes mais rápido que simuladores numéricos.

O trabalho foi divulgado pelo MIT News em 9 de novembro de 2026, em texto assinado por Adam Zewe, e será apresentado na conferência SIGGRAPH Asia. O preprint está disponível em acesso aberto no arXiv.

Como o sistema funciona

O sistema se chama WorldParticle. Em vez de modelar cada material com a física específica daquele material, ele representa qualquer substância como um conjunto de partículas e aprende a prever como essas partículas se movem ao longo do tempo.

Nos experimentos relatados, os pesquisadores demonstraram o WorldParticle modelando seis fenômenos físicos diferentes, entre eles objetos deformáveis, materiais granulares e proteínas, com acurácia superior à de métodos de simulação numérica, segundo o MIT News.

A publicação cita um exemplo concreto da diferença: o WorldParticle representou corretamente o colapso de um material granular até formar uma pilha, enquanto alguns métodos usados como linha de base deixaram partículas de areia flutuando no ar.

O número de maior destaque é o de velocidade. De acordo com o MIT News, o sistema modelou a mudança de estruturas de proteínas ao longo do tempo cerca de 100 vezes mais rápido que simuladores numéricos.

Quem assina

O trabalho é resultado de um consórcio que reúne MIT, Universidade da Columbia Britânica (UBC), Georgia Tech, Inria, Meta, Universidade da Pensilvânia, Universidade de Utah, UCLA e Universidade de Hong Kong.

Peter Yichen Chen, ex-pós-doutorando do MIT e hoje professor assistente na UBC, é coautor correspondente. Minghao Guo, pós-doutorando do MIT, é coautor correspondente e colíder do trabalho, ao lado dos estudantes de doutorado da UBC Caoliwen Wang e Siyuan Chen. A equipe inclui ainda Wojciech Matusik, professor de engenharia elétrica e ciência da computação do MIT, que lidera o grupo de Design e Fabricação Computacional no CSAIL.

“Queremos ter um momento GPT para a simulação”, afirmou Peter Yichen Chen ao MIT News, em tradução livre.

Por que isso importa fora do laboratório

Simulação é um custo relevante no ciclo de desenvolvimento de setores inteiros: engenharia, indústria, embalagem, logística de granéis, agronegócio, materiais, construção e saúde. O custo aparece em duas frentes, tempo de máquina e tempo de especialista, e as duas são escassas.

Até aqui, cada fenômeno exigia seu próprio simulador, com modelagem e calibração próprias. Um sistema único capaz de cobrir fenômenos diferentes substituiria, em tese, um portfólio de ferramentas especializadas por uma camada só.

Se a ordem de grandeza do ganho de velocidade se confirmar em uso real, o efeito não é fazer a mesma quantidade de simulações mais rápido. É poder testar hipóteses que hoje nem entram na fila, porque não cabem no prazo nem no orçamento do projeto.

Também é um indicador de onde a inteligência artificial pode gerar valor industrial fora do texto. A maior parte do investimento empresarial em IA hoje está concentrada em aplicações de linguagem, enquanto o ganho em simulação, planejamento e otimização incide sobre cadeias de custo consideravelmente maiores.

As ressalvas

A pesquisa está em estágio inicial. Não há produto, não há validação industrial independente e não há caso de uso empresarial documentado.

A comparação de acurácia precisa ser lida nos termos específicos do artigo, e não como afirmação geral de superioridade sobre métodos numéricos em qualquer cenário. A nota de imprensa do MIT não declara limitações do método, o que por si recomenda cautela na leitura dos resultados.

Vale registrar que o preprint do trabalho circula desde maio de 2026. O que é novo neste momento é a comunicação institucional do MIT e a apresentação em conferência, não o resultado em si.

A lista de autores inclui a Meta, empresa com interesse comercial direto na área, informação relevante para quem avalia o peso da divulgação.

Próximos passos

Segundo o MIT News, a equipe pretende adaptar o WorldParticle a outros sistemas físicos e avançar na direção de uma linha de simulação de propósito geral voltada à descoberta científica. Entre as aplicações citadas estão tarefas de manipulação em robótica mole, evolução de RNA e fenômenos astrofísicos como a fusão de galáxias.

O que ainda não se sabe é como o sistema se comporta fora dos seis fenômenos testados, qual o custo computacional de treiná-lo para um novo domínio e em que prazo esse tipo de modelo chegaria a ferramentas de engenharia usadas por empresas.

Continue explorando

Posts relacionados