Des chercheurs du MIT, de l’Université de la Colombie-Britannique (UBC) et d’autres institutions ont présenté, dans un article publié le 9 novembre 2026, un système d’apprentissage profond nommé WorldParticle. Ce modèle unique vise à simuler des phénomènes physiques variés — sable en mouvement, fluides ou repliement de protéines — là où il faut habituellement un simulateur distinct par processus.

WorldParticle représente chaque matériau sous forme de nombreuses particules tridimensionnelles et prédit leur déplacement pas à pas, par tranches d’une seconde. Le réseau apprend la dynamique sous-jacente plutôt que d’être programmé avec une équation propre à chaque cas, ce qui lui permet de s’adapter à des matériaux, forces et environnements non rencontrés lors de l’entraînement. Les chercheurs ont testé six phénomènes, dont des objets déformables, des matériaux granulaires et des protéines, avec, selon eux, une précision supérieure à celle de méthodes numériques ; la modélisation de structures protéiques serait environ 100 fois plus rapide que celle des simulateurs numériques.

Les auteurs présentent ces travaux comme une première étape vers un modèle de fondation pour la simulation. Ils envisagent des applications en robotique souple, en évolution de l’ARN ou en astrophysique, et souhaitent étendre le système à d’autres processus physiques. Les résultats proviennent de travaux de recherche et non d’applications cliniques.