物理AIシステムの学習は、落ちたカップや不適切な角度で触れた物体のような物理的相互作用のデータ収集に依存する。こうしたデータを現実世界で収集するのは時間とコストがかかり、危険を伴うこともある。シミュレーションは、GPU並列処理を用いてフォトリアルな物理的正確なデータを生成し、数千年分のロボット実験を可能にする。

現在のシミュレーションエンジンは、単に動きを可視化する以上の役割を果たし、AIモデルの学習プロセスの中心に位置している。NVIDIA Isaac Sim、Isaac Lab、MuJoCo、PyBulletなどのツールは、異なる使用シナリオに応じて最適化されている。MuJoCoは、触覚と運動力学の高精度が必要なアプリケーションで特に好まれ、MuJoCo WarpやNewtonのようなGPU加速版は、数千の並列環境でのポリシー学習を目的として設計されている。

Newtonは、NVIDIA、Google DeepMind、Disney Researchが開発したオープンソースの物理エンジンで、Isaac Labのようなフレームワークに現代的な物理レイヤーを提供する。これらのエンジンは、固体、柔軟素材、布、粒子ベースの材料など、異なる物理システムに特化したソルバーをサポートする。これらの進展は、シミュレーションが単なるテストツールではなく、物理AIの基盤インフラとなったことを示している。