Publié le 2025-11-04 16:49:00. Des chercheurs ont développé une nouvelle méthode de simulation des interactions entre objets déformables, promettant des avancées significatives dans des domaines variés tels que la robotique et la science des matériaux. Cette approche innovante, présentée lors de l’atelier AI for Science à NeurIPS 2025, permet de modéliser des systèmes complexes avec une efficacité accrue, même à grande échelle.
- La nouvelle méthode, basée sur une tokenisation spatiale adaptative (AST), surpasse les approches existantes en matière de précision et d’évolutivité.
- Elle permet de simuler des interactions avec des maillages dépassant les 100 000 nœuds, une tâche difficile pour les méthodes actuelles.
- Un nouvel ensemble de données à grande échelle a été créé pour faciliter les recherches futures dans ce domaine.
La simulation précise des interactions entre corps déformables est un enjeu crucial dans de nombreuses disciplines scientifiques et techniques. De la conception de nouveaux matériaux à la programmation de robots capables de manipuler des objets complexes, la capacité à modéliser ces interactions est essentielle. Cependant, les méthodes traditionnelles, notamment celles basées sur l’apprentissage par réseaux de neurones graphiques (GNN), se heurtent à des limitations en termes d’évolutivité. La création dynamique d’arêtes globales entre les différents éléments d’un objet déformable exige une puissance de calcul considérable, rendant la simulation de systèmes à grande échelle particulièrement ardue.
Pour pallier ces difficultés, les chercheurs ont mis au point une approche originale s’inspirant des représentations géométriques. Leur méthode de tokenisation spatiale adaptative (AST) permet de représenter efficacement l’état physique d’un objet. L’idée clé consiste à diviser l’espace de simulation en une grille de cellules, puis à mapper les maillages non structurés sur cette grille structurée. Ce processus regroupe naturellement les nœuds de maillage adjacents, simplifiant ainsi la modélisation des interactions. Un module d’attention croisée est ensuite utilisé pour condenser les informations contenues dans ces cellules en une représentation compacte de longueur fixe, formant ainsi des “jetons” représentant l’état physique global. Enfin, des modules d’auto-attention permettent de prédire l’évolution de ces jetons dans l’espace latent, simulant ainsi le comportement de l’objet déformable.
Cette nouvelle approche combine l’efficacité de la tokenisation avec la puissance des mécanismes d’attention, offrant ainsi une solution performante et évolutive. Les expériences menées par les chercheurs ont démontré que leur méthode surpasse significativement les techniques de pointe existantes, en particulier lors de simulations à grande échelle impliquant des maillages complexes. De plus, pour encourager les recherches futures dans ce domaine, ils ont mis à disposition un nouvel ensemble de données exhaustif, couvrant un large éventail d’interactions entre corps déformables.
Cette avancée pourrait avoir des implications importantes dans divers secteurs, notamment la robotique, où elle pourrait permettre de développer des robots plus performants et plus adaptables, ainsi que dans la science des matériaux, où elle pourrait accélérer la découverte de nouveaux matériaux aux propriétés optimisées.
Pour aller plus loin
