MIT, UBC, dan Mitra Rilis WorldParticle: Satu Model AI yang Mensimulasikan Beragam Zat, dari Pasir hingga Protein

Para peneliti dari MIT, University of British Columbia (UBC), dan sejumlah institusi lain memperkenalkan WorldParticle, sistem kecerdasan buatan tunggal yang mampu mensimulasikan berbagai fenomena fisik — mulai dari material granular seperti pasir hingga dinamika protein — dengan satu arsitektur terpadu, tanpa perlu menulis simulator baru untuk setiap kasus. 🔗 MIT News

Dari Banyak Simulator ke Satu Model

Selama ini, ilmuwan yang ingin mensimulasikan proses fisik harus memilih alat yang tepat untuk satu pekerjaan tertentu: solver untuk air yang mengalir, simulator lain untuk protein yang melipat, dan seterusnya. Setiap simulator dikodekan secara manual berdasarkan persamaan yang mengatur perilaku proses tersebut.

Pendekatan WorldParticle menggantikan tambal sulam ini dengan satu sistem deep learning yang dapat memodelkan beragam fenomena fisik dengan arsitektur AI terpadu. Karena mempelajari dinamika yang mendasari alih-alih diprogram dengan persamaan, model dapat beradaptasi pada material, gaya, dan lingkungan yang tidak pernah dijumpainya saat pelatihan. 🔗 MIT News

Bagaimana WorldParticle Bekerja

Sistem ini merepresentasikan setiap material yang disimulasikan — dari gundukan pasir hingga molekul protein — sebagai partikel-partikel kecil, lalu memprediksi ke mana partikel-partikel tersebut bergerak selangkah demi selangkah.

Arsitekturnya disebut mirip ChatGPT: alih-alih memprediksi satu kata pada satu waktu untuk menulis teks, WorldParticle memprediksi bagaimana partikel-partikel bergerak, satu langkah pada satu waktu. Setiap langkah simulasi memprediksi gerak material dalam satuan waktu satu detik. 🔗 MIT News

Teknik Kunci: Representasi Lagrangian dan Jaringan Saraf

WorldParticle memecah objek menjadi ribuan hingga jutaan titik tiga dimensi, atau partikel, menggunakan representasi Lagrangian. Ia melacak pergerakan dan kecepatan partikel di ruang dan waktu untuk mensimulasikan dinamika material.

Jaringan saraf mengambil posisi 3D dan sifat fisik partikel sebagai masukan, lalu mengeluarkan posisi dan sifatnya untuk bingkai berikutnya. Sebelum setiap langkah simulasi, sistem memisahkan gaya eksternal yang memengaruhi sistem fisik — misalnya gaya tumbukan yang menimpa dinding laut ketika gelombang menghantamnya.

Setelah memprediksi keadaan awal partikel, WorldParticle mengintegrasikan kembali gaya eksternal ke simulasi, menyesuaikan prediksi berdasarkan pengaruh gaya tersebut. Dengan cara ini, sistem dapat melakukan generalisasi pada material yang belum pernah dilihat, kondisi lingkungan yang berubah, dan gaya yang bervariasi. 🔗 MIT News

Skalabilitas dan Validasi

Karena objek kompleks dapat dipecah menjadi jutaan partikel, permasalahan ini dengan cepat menjadi sangat berat secara komputasi. Para peneliti menggunakan teknik penggabungan (merging) untuk mengompres partikel sambil tetap menangkap detail halus perilakunya.

WorldParticle divalidasi dengan memodelkan enam fenomena fisik berbeda, termasuk benda deformabel, material granular, dan protein, dengan akurasi lebih tinggi dibanding metode simulasi numerik. 🔗 MIT News

Hasil yang Dilaporkan

• WorldParticle secara efektif menangkap bagaimana objek granular runtuh menjadi tumpukan, sementara beberapa metode pembanding meninggalkan partikel pasir "melayang" di udara.
• Model ini mensimulasikan perubahan struktur protein seiring waktu sekitar 100 kali lebih cepat daripada simulator numerik.
• Kerangka kerja ini dapat diterapkan pada banyak material dan proses, termasuk manipulasi robot lunak, evolusi RNA, hingga fenomena astrofisika seperti penggabungan galaksi.
• Tim mencakup peneliti dari MIT, UBC, Georgia Tech, Inria, Meta, University of Pennsylvania, University of Utah, UCLA, dan University of Hong Kong.
• Penelitian akan dipresentasikan pada ACM SIGGRAPH Conference and Exhibition on Computer Graphics and Interactive Techniques in Asia.

🔗 MIT News

Visi Jangka Panjang

Para peneliti berharap karya ini membantu ilmuwan menemukan material baru dan mengeksplorasi proses fisik yang sulit dipelajari dengan metode simulasi yang ada. Mereka menginginkan "momen GPT" untuk simulasi: satu model fondasi yang langsung dapat digunakan untuk skenario simulasi apa pun.

Ke depan, mereka ingin mengadaptasi WorldParticle untuk mensimulasikan berbagai sistem fisik lain dan membangun pipeline simulasi tujuan umum untuk penemuan ilmiah. 🔗 MIT News

Sumber

• MIT News, "A single AI model simulates the behavior of many substances, from sliding sand to folding proteins," 9 November 2026. 🔗 https://news.mit.edu/2026/single-ai-model-simulates-many-substances-behavior-1109
• Paper: Wang, Guo, Chen, dkk., "WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer" (open access). 🔗 https://arxiv.org/pdf/2605.15305

Read More

Badai Matahari Meningkat, Prakiraan Badai Geomagnetik G1–G2 pada 7–9 November

Aktivitas flare matahari melonjak tajam pada awal November 2026. Dalam 24 jam pada 6–7 November, tercatat 29 flare kelas C, semuanya berasal dari daerah aktif AR4566, dengan flare terkuat mencapai kelas C5.9. 🔗 EarthSky

Lubang koronal besar kini menghadap Bumi, dan prakiraan resmi memperkirakan badai geomagnetik kelas G1–G2 (minor hingga moderate) pada 7–9 November. Badai pada level ini dapat mengganggu satelit, jaringan listrik, dan sistem navigasi, meski dampaknya umumnya terbatas. 🔗 SIDC

Perlu dicatat, peringatan badai magnetik G2 yang sempat ramai sebelumnya terjadi pada 1 November dan disebut "tak terduga" — peristiwa yang berbeda dari lonjakan flare 6–7 November ini. Prakiraan saat ini tidak menyebut badai magnetik tingkat tinggi.

Fakta Kunci

• Flare kelas C: 29 dalam 24 jam (6–7 November), dari AR4566
• Flare terkuat: kelas C5.9
• Prakiraan badai geomagnetik: G1–G2 (minor–moderate), 7–9 November
• Risiko: gangguan satelit, jaringan listrik, navigasi
• Badai G2 pada 1 November adalah peristiwa terpisah

Sumber

• EarthSky — Sun News, Activity, Solar Flare, CME, Aurora Updates
• SIDC — Space Weather Services

Read More

Google DeepMind Luncurkan Agen Cheminformatics di Antigravity untuk Percepat Penemuan Obat

Google DeepMind meluncurkan serangkaian "Cheminformatics Skills" untuk platform Google Antigravity, yang mengubah permukaan kerja itu menjadi workbench sains kolaboratif untuk mempercepat penemuan obat. Agen AI di dalamnya mampu menelusuri literatur, mengekstraksi molekul, melakukan analisis pasangan molekul, melatih model pembelajaran mesin, hingga mengusulkan rute sintesis senyawa baru — dalam waktu sekitar satu jam, bukan beberapa hari seperti alur kerja konvensional.

Pengumuman ini dipublikasikan di blog Google DeepMind pada 3 November 2026 oleh Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh, dan Michael V. LeVine. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Data wrangling yang selama ini memakan waktu

Merancang obat baru menuntut pengumpulan data kompleks dari bagan, gambar, dan literatur, pelatihan model prediktif, serta pengusulan kandidat molekul untuk disintesis. Kimia adalah salah satu arsip publik terkaya — mencakup jutaan struktur di artikel jurnal dan katalog vendor — namun representasinya beragam: dari nama IUPAC di makalah, struktur Markush di paten, hingga berkas SDF di katalog.

Satu atom atau ikatan yang berubah bisa menjelaskan senyawa yang sama sekali berbeda, sehingga penyatuan sumber-sumber ini tidak boleh salah. Keterampilan baru ini menciptakan pembagian kerja: model bahasa menangani orkestrasi alur kerja, navigasi basis data, dan penalaran ilmiah, sementara alat kimia deterministik mengeksekusi perhitungan molekuler. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Fondasinya adalah RDKit, toolkit cheminformatics sumber terbuka yang dikembangkan lebih dari dua dekade oleh komunitas global, ditambah konektor ke sumber daya terkurasi seperti ChEMBL dan PubChem. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Studi kasus: rigidifikasi molekul pada kanker paru

Sebagai demonstrasi, DeepMind menyoroti teknik klasik kimia medisinal: rigidifikasi. Molekul obat sering menghubungkan beberapa substruktur melalui ikatan rotatable yang membuat molekul "floppy" di larutan. Untuk berikatan dengan target, molekul harus mengunci diri ke satu bentuk aktif; kehilangan kebebasan gerak itu membawa penalti entropi yang melemahkan afinitas ikatan dan menurunkan potensi.

Kasus yang diangkat adalah crizotinib, inhibitor tirosin kinase (TKI) generasi pertama untuk karsinoma paru non-sel kecil, yang memiliki lima ikatan rotatable utama. Lorlatinib, TKI generasi ketiga yang menyerupai crizotinib, telah disiklisasi sehingga jumlah ikatan rotatable efektifnya menjadi nol, menghasilkan potensi lebih tinggi. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Alur kerja agen dalam satu jam

Agen diminta menelusuri literatur untuk obat-obatan tersebut dan analognya. Dalam hitungan menit, agen mengambil ribuan senyawa, menyaring molekul yang tidak relevan seperti buffer dan pelarut, serta mendokumentasikan sumbernya dalam sebuah laporan. Laporan itu juga memberikan analisis awal: makrosiklus sebagian besar diprediksi dapat menembus otak (brain-penetrant), sifat penting mengingat kanker paru sering bermetastasis ke otak. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Untuk eksplorasi lebih dalam, agen meluncurkan penampil interaktif yang menampilkan senyawa terkurasi, data terkait, dan scatter plot yang dapat disesuaikan. Misalnya, memplot potensi terhadap ikatan rotatable, diwarnai berdasarkan status makrosiklus, langsung menunjukkan bahwa makrosiklus seperti lorlatinib cenderung memiliki lebih sedikit ikatan rotatable dan potensi lebih tinggi.

Setelah pengunduhan dan kurasi data, agen melakukan analisis pasangan molekul (matched molecular pair analysis/MMPA) yang membandingkan pasangan molekul yang hanya berbeda pada satu perubahan. Hasilnya menunjukkan siklisasi mengurangi jumlah ikatan rotatable sambil umumnya meningkatkan potensi. Agen juga membangun sejumlah besar model potensi dengan berbagai set fitur dan arsitektur, divalidasi pada data yang ditahan (held-out). 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Terakhir, agen diminta merancang makrosiklus baru yang lebih baik berdasarkan pembelajarannya. Ia merekomendasikan beberapa reaksi dan rute sintesis, menjelaskan rasional kimia medisinal, serta menggunakan model yang dilatih untuk memprediksi potensi tiap rancangan. Agen juga mampu menalar kimia saat mengusulkan rencana sintesis, lengkap dengan diagram dorongan elektron (curved arrow).

Batasan dan ketersediaan

Google DeepMind menegaskan batasannya: data yang jarang, noise antar-laboratorium, dan rentang dinamis yang sempit membatasi presisi prediktif bahkan model terkuat sekalipun. Desain komputasional adalah hipotesis yang dapat diuji, bukan obat jadi. Setiap rancangan harus disintesis dan divalidasi secara eksperimental. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Keterampilan cheminformatics tersedia di Google Antigravity hari ini. Pengguna dapat mengunduh aplikasi Antigravity dan memasang plugin Science. Untuk pengguna enterprise, tersedia opsi "Use Business Account" dengan kredensial Google Cloud. Selain itu, Google DeepMind menawarkan tingkat penggunaan tertinggi di Google Antigravity gratis selama enam bulan bagi 10.000 ilmuwan, dengan pendaftaran dibuka dan onboarding bertahap, tunduk pada kelayakan, kapasitas, dan seleksi. 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity

Fakta kunci

• Platform: Google Antigravity dengan Cheminformatics Skills (plugin Science)
• Fondasi: RDKit (toolkit cheminformatics sumber terbuka) + konektor ChEMBL dan PubChem
• Studi kasus: rigidifikasi molekul pada inhibitor tirosin kinase untuk karsinoma paru non-sel kecil (crizotinib vs lorlatinib)
• Agen mengambil ribuan senyawa dalam hitungan menit, menyaring buffer/pelarut, dan mendokumentasikan sumber
• Analisis: matched molecular pair analysis (MMPA), model pembelajaran mesin dengan pembagian kronologis/scaffold
• Output: rancangan makrosiklus baru dengan rute sintesis dan prediksi potensi
• Ketersediaan: aplikasi Antigravity + plugin Science; enterprise via Google Cloud; 10.000 ilmuwan mendapat tier tertinggi gratis 6 bulan
• Penulis: Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh, Michael V. LeVine (Google DeepMind), dipublikasikan 3 November 2026

Sumber

• 🔗 Google DeepMind — Agentic cheminformatics with Google Antigravity (3 November 2026)

Read More

AutoDNA: Laboratorium Otomatis Berbasis AI di China Rancang Eksperimen DNA dari Satu Perintah

Di sebuah laboratorium genetika di Shanghai Jiao Tong University, China, tim robot yang digerakkan kecerdasan buatan (AI) merancang dan menjalankan eksperimen tanpa banyak campur tangan manusia. Fasilitas ini menjadi salah satu langkah terbaru menuju laboratorium “self-driving” yang dipandu AI. 🔗 Nature

Apa itu AutoDNA

Sistem ini bernama AutoDNA. Dengan sampel yang dipindahkan oleh lengan robotik, laboratorium ini mampu mengoperasikan lebih dari 20 jenis instrumen dan menyelesaikan ribuan operasi dalam satu proyek. 🔗 Nature

Eksperimen yang dijalankannya mencakup sintesis dan sekuensing DNA, di antara tugas-tugas lainnya. Sebuah eksperimen dirancang dan dijalankan dari awal hingga akhir oleh tim agen AI, mengikuti satu perintah sederhana dari operator manusia. 🔗 Nature

Setelah perintah itu diberikan, tangan manusia hanya diperlukan untuk mengisi ulang reagen dan merawat perangkat keras. Tingkat otonomi inilah, plus kemampuannya mengintegrasikan beragam peralatan laboratorium, yang membuat sistem ini menonjol menurut Milad Abolhasani, insinyur kimia di North Carolina State University. 🔗 Nature

Mengapa biologi molekuler sulit diotomatisasi

Merancang laboratorium semacam itu untuk biologi molekuler merupakan tantangan besar. Alur kerjanya kompleks, melibatkan beragam peralatan, dan menuntut presisi tinggi.

Dalam banyak sistem yang ada, ahli manusia masih diperlukan untuk mengonfigurasi instrumen, sementara AI biasanya hanya menangani satu bagian proses. Tim di Shanghai Jiao Tong University membangun laboratorium ini dari awal dengan AI sebagai inti, bukan sekadar menambahkan kemampuan AI pada sistem yang sudah ada.

Haibo Chen, ilmuwan komputer di Shanghai Jiao Tong University dan salah satu penulis laporan, menekankan bahwa tantangan utama biologi molekuler adalah alur kerja yang kompleks dan tuntutan presisi. 🔗 Nature

Pengujian dan hasil

Tim menguji AutoDNA dengan berbagai proyek, antara lain:

• Mendeteksi mutasi yang terkait dengan kanker pada sampel DNA. 🔗 Nature
• Menyandikan sebuah pesan dalam DNA menggunakan empat basa nukleotida (A, C, G, T), lalu membacanya kembali.

Pesan yang disandikan adalah kutipan populer yang sering disalahatribusikan kepada kosmolog Stephen Hawking: “Kecerdasan adalah kemampuan untuk beradaptasi terhadap perubahan.”

Implikasi dan tantangan

Otonomisasi laboratorium berbasis AI berpotensi mempercepat penemuan ilmiah dan mengurangi beban kerja manual. Eksperimen berskala besar yang sulit dilakukan manusia pun menjadi lebih mungkin dijalankan.

Namun, sistem ini juga menimbulkan pertanyaan tentang pengawasan manusia, validasi hasil, keamanan biologis, serta tanggung jawab atas keputusan yang diambil agen AI. Kebutuhan pengisian ulang reagen dan perawatan perangkat menunjukkan bahwa manusia tetap berperan penting, setidaknya dalam perawatan dan pengawasan.

Artikel pendamping News & Views di Nature menyebut AutoDNA sebagai laboratorium tempat agen AI merencanakan dan menjalankan eksperimen biologi molekuler yang melibatkan DNA, dengan intervensi manusia yang relatif kecil. 🔗 Nature

Fakta kunci

• Lokasi: Shanghai Jiao Tong University, China.
• Nama sistem: AutoDNA, laboratorium “self-driving” berbasis AI.
• Kemampuan: mengoperasikan lebih dari 20 jenis instrumen; ribuan operasi per proyek.
• Input manusia: satu perintah sederhana; tangan manusia hanya untuk mengisi ulang reagen dan merawat perangkat.
• Publikasi: Nature, 4 November 2026 (Wu et al.).

Sumber

• 🔗 Nature News, “AI agents run this automated biology lab that sequences DNA and more,” 4 November 2026
• 🔗 Nature News & Views, “AI agents enter the ‘wet lab’,” 4 November 2026
• 🔗 Wu M et al., “An AI-native experimental laboratory for autonomous biomolecular operations,” Nature (2026)

Read More