当サイトではアフィリエイト広告を利用しています。
MIT、ブリティッシュコロンビア大学(UBC)などの研究チームは、布、弾性体、流体、粒状物質、分子動力学などを共通の設計で扱う学習型シミュレーター「WorldParticle」を開発しました。研究はSIGGRAPH Asia 2026で発表予定で、MIT Newsが2026年11月9日に研究成果を紹介しています。
WorldParticleの中心は、物理現象を3次元空間を動く粒子の位置・速度・物性として表し、共通のTransformer系アーキテクチャで次の状態を予測することです。
研究チームは、布、弾性固体、ニュートン流体、非ニュートン流体、粒状物質、分子動力学の6カテゴリで同じアーキテクチャ、学習手順、推論コードを使いました。現在の実験ではカテゴリごとに別のパラメータを学習しており、1つの重みで複数カテゴリを処理する構成は将来の研究段階です。
この記事では、WorldParticleが何を共通化したのか、予測と補正をどう組み合わせるのか、6カテゴリでどこまで検証できたのかを確認します。
WorldParticleが統一したのは粒子表現・アーキテクチャ・ワークフロー
従来の物理シミュレーションでは、対象となる現象に合わせて数値ソルバーやモデルを選びます。水の流れ、布の変形、砂の崩れ、タンパク質の動きでは、使う方程式や計算手法が異なります。
WorldParticleは、これらの現象を共通のラグランジュ粒子表現へ変換します。ラグランジュ表現は、物質を構成する点を追跡し、その点の位置や速度が時間とともにどう変化するかを見る方法です。
WorldParticleでは各粒子に、位置、速度、質量や材料特性などの情報を持たせます。布でも砂でも流体でも、モデルへ入る基本単位を粒子にそろえることで、同じネットワーク構造を使えるようにしています。
研究で扱った6カテゴリは次の通りです。
| カテゴリ | 例 |
|---|---|
| 布 | 曲げ・ねじり・衝突 |
| 弾性固体 | 変形する物体 |
| ニュートン流体 | 水のように粘性が一定の流体 |
| 非ニュートン流体 | 変形速度で粘性が変わる流体 |
| 粒状物質 | 砂・土のような粒の集合 |
| 分子動力学 | タンパク質など分子の時間変化 |
研究チームのプロジェクトページは、6カテゴリで「単一のアーキテクチャ」「一つの学習レシピ」「一つの推論コードベース」を使うと説明しています。

ここでの統一は、シミュレーションを作る方法を共通化することです。論文の実験ではカテゴリごとに別のネットワークを学習しています。共通の粒子表現とアーキテクチャを使い、各現象に合わせた学習データでパラメータを作る段階です。
1ステップを「外力の予測」と「相互作用の補正」に分ける
WorldParticleは1回の時間更新を、既知の外力を反映する予測と、粒子同士の相互作用を学習で補正する処理に分けています。
最初の予測器は、重力や外から加わる力など、あらかじめ分かっている物理作用を使って粒子を進めます。ここでは外力による移動を計算し、粒子同士の複雑な相互作用は後段へ残します。
次に、学習済みの補正器が位置と速度の残差を予測します。補正器は大きく3段階です。
- Particle Tokenizer:近傍粒子、境界、必要に応じてメッシュの接続関係から局所的な相互作用を特徴化する
- Super-Token Encoder:多数の粒子トークンを段階的にまとめ、少数のsuper tokenへ圧縮する
- Super-Token Decoder:圧縮した情報を粒子へ戻し、各粒子の位置・速度を補正する

外力を明示的に扱い、粒子間相互作用をニューラルネットワークで学ぶことで、既知の物理情報と学習型モデルを同じ更新処理へ組み込んでいます。
粒子をsuper tokenへまとめて大規模計算を抑える
物理シミュレーションでは、粒子数が増えるほど計算量が急増します。複雑な物体では数万、数十万、さらに多くの粒子が必要になります。
Transformerで全粒子をそのまま相互参照すると、粒子数の増加に対して計算量とメモリ使用量が大きくなります。
WorldParticleは、粒子トークンを階層的に統合してsuper tokenへ圧縮します。エンコーダの段階が進むごとにトークン数を減らし、広い範囲の情報を少数のsuper tokenへ集約します。
その後、各粒子がsuper tokenを参照して、自分の位置と速度の補正量を受け取ります。
この構成では、近くの粒子同士の細かな相互作用を局所処理で拾い、遠距離の影響を圧縮した表現を通じて共有します。物理シミュレーションに必要な局所的な接触と、広い範囲の状態変化を分けて扱う設計です。
公開コードでは、局所連続畳み込み、反復的な粒子統合、super-particle decoderを組み合わせ、粒子の位置と速度を自己回帰的に更新します。
6カテゴリで未学習条件への一般化を検証した
研究チームは、学習時と異なる物性、境界条件、初期条件、外力を使ってWorldParticleを評価しています。
プロジェクトページでは、次のような条件が示されています。
- 布:学習に含まれないヤング率
- 流体:異なる粘性や障害物位置
- 粒状物質:異なる初期形状や摩擦
- 非ニュートン流体:異なる流動特性や傾斜
- 弾性体:異なる初期回転
- 布の操作:学習時と異なる外力
布をねじる実験では、学習時の200フレームを超えて250フレームまで安定した例が示されています。流体では最大800ステップの長期ロールアウトを掲載し、従来の学習型シミュレーターとの比較で安定性を示しています。
評価の意味は、6カテゴリを同じ方法で扱えることに加えて、学習データに含まれない条件へどこまで動きを外挿できるかを確かめた点にあります。
ロボット学習では、学習条件から位置や積み高さを変えたときの性能低下を測る方法があります。条件を変えて物理モデルの汎化を確認する考え方は、Ai2 ToyBlocksの記事でも扱っています。

「1つのAI」は共通アーキテクチャを指す
MIT NewsはWorldParticleを「single AI model」と紹介しています。論文の実験設計を見ると、現時点で共通なのはアーキテクチャと学習・推論の枠組みです。
6カテゴリすべてへ同じTransformer系の構成を適用していますが、カテゴリごとに個別のパラメータを学習しています。
現在地を分けると次のようになります。
| 項目 | 現在のWorldParticle |
|---|---|
| 粒子表現 | 共通 |
| Transformer系アーキテクチャ | 共通 |
| 学習手順 | 共通 |
| 推論コード | 共通 |
| 学習済みパラメータ | カテゴリごとに別 |
| あらゆる物理現象を1つの重みで処理 | 将来目標 |
この区別によって、研究成果の強みが見えます。WorldParticleは、物理現象ごとにネットワーク構造を作り直す工程を減らし、同じ設計を複数カテゴリへ展開できることを示しました。
研究チームが目指しているのは、その先にある汎用的なシミュレーション基盤です。
タンパク質では50フェムト秒刻みの予測を示した
分子動力学では、タンパク質の側鎖回転を予測する実験が行われています。
WorldParticleのプロジェクトページでは、1ステップを50フェムト秒(1フェムト秒は1000兆分の1秒)として予測しています。比較対象として示されるOpenMMの従来シミュレーションは0.5フェムト秒刻みで、時間幅は100倍です。
MIT Newsでは、研究者がタンパク質構造の時間変化を数値シミュレーターより約100倍高速にモデル化したと説明しています。
この結果は、分子動力学の実験条件で報告されたものです。実務で速度を比較する際は、1ステップの時間幅に加えて、計算時間、対象粒子数、精度、使用GPUなどを同じ条件で確認する必要があります。
タンパク質まで共通粒子表現で扱えたことは、WorldParticleの適用範囲がマクロな材料シミュレーションから分子スケールまで広がっていることを示しています。
実世界データ・制御・逆設計にも適用した
WorldParticleでは、予測モデルを使った制御、逆設計、実世界データからの学習といった応用も試しています。
外力を変えるインタラクティブ制御
外力を明示的に予測器へ入れるため、学習時と異なる力を加えた場合の挙動を試せます。研究チームは、外から力を加えながら物体の状態変化を操作する例を公開しています。
逆設計
自己回帰的なロールアウトを通じて勾配を戻せるため、望む最終状態から条件を逆算する最適化へ使えます。
これは「この条件を与えたら何が起きるか」という順方向の予測から、「この状態を作るにはどの条件が必要か」という設計問題へ用途を広げるものです。
物理製品開発で、シミュレーションを設計候補の反復へつなぐ考え方は、GPT-6 Astraの物理製品設計の記事でも確認できます。

実世界の点群から学習
プロジェクトページでは、実世界の操作データから得た点群を使って動力学を学ぶ例も公開されています。
粒子表現へ変換することで、観測データから物理の時間変化を学習する方向へ進めます。
現在の到達点は「汎用シミュレーターへの共通基盤」
WorldParticleが現在示しているのは、6カテゴリで共通設計を使える学習型シミュレーション基盤です。
研究で確認できた範囲は次の通りです。
- 共通のラグランジュ粒子表現で6カテゴリを扱った
- 同じTransformer系アーキテクチャを各カテゴリへ適用した
- 既知の外力と学習型補正を組み合わせた
- 階層的な粒子統合で計算量を抑える構成を使った
- 未学習の物性・境界・初期条件・外力へ一般化する実験を行った
- 長期ロールアウト、制御、逆設計、実世界点群学習を実証した
- コードと一部データ・チェックポイントを公開した
研究チームが将来の適用先として挙げるのは、ソフトロボット、RNA、材料探索、銀河合体などです。これらは今後拡張する対象として示された研究方向です。
現段階では、カテゴリ別に学習したモデルを使い、共通アーキテクチャの汎用性を検証しています。
まとめ
WorldParticleは、布、弾性固体、ニュートン流体、非ニュートン流体、粒状物質、分子動力学を、共通の粒子表現とTransformer系アーキテクチャで扱う学習型シミュレーターです。
1ステップの計算を、既知の外力を反映する予測器と、粒子間相互作用を学ぶ補正器へ分けます。多数の粒子はsuper tokenへ段階的に圧縮し、局所的な相互作用と広い範囲の情報伝達を両立させています。
研究の現在地は、6種類の物理を同じ設計で扱えることを示した段階です。学習済みパラメータはカテゴリごとに分かれており、研究チームが目指す「どんな現象でも使える基盤モデル」は次の段階にあります。
WorldParticleの価値は、物理現象ごとに別々のシミュレーション技術を組み立てる世界から、粒子という共通表現と一つのアーキテクチャを再利用する世界へ進む具体的な設計を示したことにあります。
公式情報・参照先
- A single AI model simulates the behavior of many substances, from sliding sand to folding proteins|MIT News
- WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer|arXiv
- WorldParticle project page
- WorldParticle|GitHub
- WorldParticle dataset and checkpoints|Hugging Face

