Pesquisadores do MIT desenvolvem novo método de simulação para objetos elásticos utilizando machine learning

São Paulo — InkDesign News — Um novo método desenvolvido por pesquisadores do MIT promete revolucionar a simulação de objetos elásticos em animações, utilizando princípios de machine learning e inteligência artificial para gerar movimentos mais realistas e estáveis.

Contexto da pesquisa

Atualmente, a simulação de materiais elásticos, como borracha, enfrenta desafios significativos, pois muitos métodos existentes priorizam a velocidade em detrimento da precisão física. Essa pesquisa aborda essa lacuna, visando criar simulações que preservem propriedades físicas essenciais, evitando perda excessiva de energia e comportamentos erráticos.

Método proposto

O novo método se baseia em uma reinterpretação de equações conhecidas como integradores variacionais, onde os pesquisadores descobriram uma estrutura matemática oculta, chamada convexidade, que otimiza a forma como os materiais elásticos são deformados. Essa abordagem divide a deformação dos materiais em componentes de estiramento e rotação, permitindo a aplicação de algoritmos de otimização estáveis.

“Pela forma como reescrevemos as equações, conseguimos manter a precisão nas simulações de objetos elásticos, garantindo maior controle e estabilidade para os artistas de animação.”
(“Our method aims to stay true to physical laws while giving more control and stability to animation artists.”)

— Leticia Mattos Da Silva, Estudante de pós-graduação, MIT

Resultados e impacto

Os testes demonstraram que o novo solucionador consegue simular uma ampla gama de comportamentos elásticos, desde formas que saltam até personagens mais flexíveis, mantendo propriedades físicas importantes e estabilidade ao longo do tempo. Enquanto outros métodos frequentemente apresentavam instabilidades, este novo modelo se destacou pela consistência.

Embora não seja tão rápido quanto algumas ferramentas que priorizam a velocidade, este método evita muitos compromissos que outros abordagens enfrentam, como a dependência de solucionadores não lineares complexos que podem falhar. Os pesquisadores planejam explorar maneiras de reduzir ainda mais os custos computacionais e considerar aplicações em engenharia e fabricação.

Com a possibilidade de simulações mais realistas, o impacto deste trabalho pode se estender a diversas áreas, incluindo o design de objetos elásticos reais, como calçados e brinquedos, abrindo novas possibilidades para a integração de machine learning na indústria.

Fonte: (TechXplore – Machine Learning & AI)