MIT等为AI提供更高效的物理模拟：利用合成动力学增强几何预训练，收敛速度快两倍

编辑丨&

如果让 AI 看一辆汽车的 3D 模型，它可以越来越准确地描述车身轮廓、识别不同部件，甚至生成一个相似的模型。但倘若把这个模型加速到 120km/s，事情就稍显复杂起来。

这已不是单纯对形状的理解，更是理解形状与物理环境之间如何发生作用。这意味着，如果想让 AI 同时学会汽车、飞机、船舶乃至碰撞等大量物理场景，训练数据会是个大麻烦。

麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）与清华大学研究团队提出的 GeoPT 带来了一种全新的视角：既然真正的物理模拟数据这么昂贵，那能不能先让 AI 只用大量免费的 3D 几何数据，让它了解日常机械互动，更准确地模拟现实世界。

相关论文以「GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training」为题，被 ICML 2026 接收。

论文链接：https://openreview.net/pdf/3df9a842bf6bf180192840eca36de1f7eda780d3.pdf

给静态几何加上一点运动

相较于直接让 AI 预测模拟真实汽车的空气动力学结果，研究团队选择了一个更为巧妙、也更便宜的替代实验。

首先，模型获得一个 3D 几何形状。然后，研究人员随机给这些空间中的点赋予不同方向和速度的「速度场」。这些粒子沿着速度方向运动，一旦接触到物体表面，就会停在那里。于是，一个原本静止的 3D 模型，被转换成了一系列动态过程：

几何形状 → 加入随机速度场 → 粒子运动 → 与物体表面发生接触 → 得到随时间变化的几何特征

图 1：几何物理分析。

得益于此，GeoPT 能够直接对 3D 模型（如飞机、汽车、舰船、机器人等）受到的风阻、水流冲击、碰撞形变及光线传播等复杂物理环境进行实时模拟，并在图片/视频上给出直观的可视化分析。

有了这个想法之后，数据规模就可以迅速扩大。

图 2：GeoPT 的整体设计。

研究团队从 ShapeNet 等公开 3D 几何资源中选取汽车、飞机和船舶等与工业设计相关的几何形状，总计超过1 万个独特几何体。然后，他们给每个几何体随机施加多种动力条件，最终得到1,346,300 个预训练样本。

这些数据的生成成本与工业级 CFD 模拟完全不是一个量级。仅是在一个几何动力学样本中追踪 36,864 个点的任务，GeoPT 就要比工业级 CFD 要快千万倍（80 CPU、0.2s）。

表 1：实验模拟总结。

少用一半数据，AI 也能学会物理

研究团队把 GeoPT 放进了 5 种工业级物理模拟任务中，覆盖汽车与飞机空气动力学、船舶水动力学以及汽车碰撞。它们对应的任务并不相同：有的要求预测物体表面压力和周围流场，有的需要模拟船舶阻力和波浪，还有的则需要预测碰撞过程中产生的最大 Von Mises 应力。

而研究团队采用的训练规模，却刻意模拟工业界常见的小样本场景，每个任务大约只使用 100 个训练样本，再用另外 20–50 个样本进行测试。

图 3：GeoPT 缩放测试。

在这些不同类型的物理模拟中，GeoPT 都能够在明显减少物理训练数据的情况下，达到与完整数据训练相当的表现。论文给出的数据是：所需物理模拟数据减少 20%–60%，并能使收敛加速最多 2 倍。

研究人员发现，GeoPT 在工业场景模拟方面尤为擅长，在各基准测试中均优于最先进的仿真模型。当 GeoPT 测试船体如何应对空气和波浪时，捕获这两种物理力所需的标记数据减少了 60%，达到峰值精度的速度是顶端基线的四倍。

图 4：模拟结果和 GeoPT 学习到的表示。

形状比运动重要

研究团队提出了一个更进一步的问题：如果预训练数据有限，究竟应该优先增加什么？更多几何体，还是让同一个几何体经历更多不同的运动轨迹？

对于下游任务而言，几何形状的多样性通常比动力学轨迹更加重要。如果 AI 只见过一种汽车，那么无论让它模拟这辆车多少种速度和方向，它对于「汽车」这种几何类别的认识依然有限。但如果它见过大量不同的汽车、飞机和船舶，就能够逐渐形成更加抽象的几何—物理关联。

图 5：通过通用 3D 形状仓库扩展 GeoPT-Huge 的预训练规模。

经过高度多样化训练后，系统甚至成功模拟了不同类型汽车与物体碰撞后的外观。它准确预测了 3D 车辆的变形，且使用的数据比最先进的基线更少。同样，尽管之前从未在 3D 模型或光线物理上训练，但它对光线如何照射在复杂几何表面的模拟依然准确。

真实物理场景模拟

从汽车空气动力学到船舶水动力学，再到碰撞模拟，GeoPT 都表现出了数据效率上的改善；与此同时，随着模型规模扩大，它仍然能够继续受益，而不是像部分从零训练的神经模拟器那样，在小数据条件下迅速陷入过拟合。

仅在几何数据上训练，配合动态提升监督，GeoPT 能够持续改进多样化的下游物理，显著减少训练数据需求，并提升对数据和模型规模的良好可扩展性，展示了神经模拟器缩放的可能路径。

未来，团队希望扩大系统规模，训练更多形状，模拟更复杂的物理现象。例如，更深入的方法将有助于模型模拟天气模式，测试不同材料，并生成逼真的视频。

相关链接：https://news.mit.edu/2026/ai-models-simulate-wider-range-of-real-world-scenarios-0810