除了游戏公司(20亿倍)育碧DeepMind对使用神经网络进行物理模拟感兴趣

如果经常玩大型游戏，应该会发现游戏中的物理引擎越来越好。

比如育碧的新游戏《极限国度》中，自行车溅起的泥泞点，滑板的撞击改变了下雪的道路和溅起的雪花，随人物姿势变化的衣服褶皱，让玩家更有身临其境的感觉。

但是有一个问题越来越突出。

玩家对游戏画面的要求一直在提高，但是物理理解计算器的发展遇到了瓶颈，算法上没有太大的优化空间未来还有哪些方法可以加速物理模拟

育碧其实已经找到了使用AI的方法。

育碧的AI R&D部门La Forge早在2017年就成立了，在AI技术应用于游戏开发方面取得了不少成绩。

他们使用强化学习来优化游戏NPC的寻路行为，并使用GAN来生成丰富的NPC人脸。

顺便说一句，La Forge还开发了一种AI，可以快速发现代码中的bug。

在物理模拟中，它们以前三帧中待模拟对象的位置作为输入，并将其反馈给神经网络以预测下一帧他们还利用主成分分析简化计算，最终将不同类型的物理模拟速度提高了300—5000倍

虽然我们没有听说过在任何游戏中有什么大规模的实际应用，但光是这些数据就足够让人期待了。

尤其是那些经历过通过打开模拟头发运动的头部和肩膀特效游戏来换牌的人。

毕竟孩子做选择，大人需要所有的画面和框架。

预测而不是计算。

游戏和电影最大的区别就是玩家的参与。

但游戏需要根据玩家的操作实时计算并反馈结果，仅依靠玩家自己机器的计算能力。

育碧的神经网络用预测代替密集计算，经过训练，只需要很少的资源就能快速给出结果。

在布料模拟中，只消耗不到10mb的内存和视频内存，每秒可以给出2000多帧。

但是神经网络的训练不需要很长时间吗。

没错，除了训练过程中消耗的时间，生成大量训练所需的数据也需要更多的时间。

但这些都是一次性的工作，在游戏开发阶段可以由游戏公司的计算资源来完成。

也就是说，计算的负担在运行时从玩家自己的机器转移到了训练服务器。

对于游戏角色的动作，用物理计算器给出准确数据的速度只能达到每秒3帧，而神经网络每秒可以预测2000多帧。

看这个拳击动作，闻起来像《刺客信条》。

除了游戏公司育碧，DeepMind也对使用神经网络进行物理模拟感兴趣。

他们利用图神经网络，并预测加速度来代替物体的位置，然后利用欧拉积分来计算相应的速度和位置。

通过这个模型，DeepMind成功地模拟了水，沙子和粘性物质的运动。

可是，遗憾的是，本研究更注重展示深度学习方法能做什么，在预测速度上与传统求解方法相比没有太大优势。

诺贝尔奖得主的复杂系统也需要模拟。

无论是计算方法还是预测方法，既然已经模拟了物体的运动过程，除了玩游戏和影视特效之外，还能用于其他用途吗。

是的，物理模拟算法也是科学研究的有力工具。

特别是，今年的诺贝尔物理学奖授予了气候和材料科学领域的复杂系统，以及高能物理和天体物理学。

他们的研究对象要么是非常宏观的，要么是非常微观的，其他的需要等很长时间才能观察到一次，所以在尝试用真实物体做实验的时候会遇到很多困难。

为此，牛津大学开发了Deep Emulator网络搜索系统，在10个科研场景中，将物理模拟的速度提升到了20亿次。

你说得对，是20亿倍。

在此之前，科研模拟的主流实践是使用传统的机器学习方法，如随机森林和高斯

在很多科学领域，数据并不像在图像识别或NLP中那样容易获取，所以用机器学习模拟科学研究的进展一直比较缓慢。

为了用有限的数据进行模拟，牛津大学首先想到了用卷积来自动提取数据特征。

可是，从微观粒子到气候变化再到天体运行，适合的网络结构因数据类型不同而大相径庭。

最后，他们设计了一套神经网络超级架构，相当于一个模板在训练过程中，他们同时更新网络的权重，寻找适合特定问题的结构

CNN超级建筑。

实验中选择了10个科学模拟领域，包括这次获得诺贝尔物理学奖的气候模拟:

1.高能物理中的弹性x射线汤姆逊散射。

2.实验室天体物理学中的光学汤姆逊散射。

3.聚变能科学中的托卡马克边缘局域模诊断。

4.3等离子体中的x射线发射光谱。

5.天体物理学中银河晕中心分布的模拟。

6.沙德斯基上升的海洋高原的地震层析成像。

7.气候科学中使用大气环流模式的全球气溶胶气候模拟。

8.生物地球化学中海洋上层和中层的化学计量学模拟。

9.中子成像。

10.惯性约束聚变实验中的标量测量。

最终的结果是比传统的物理理解方法快10—20亿倍。

与人工设计的神经网络相比，搜索到的网络结构的收敛速度也有所提高。

这样强大的方法也不是没有缺点。

>

牛津大学认为 DENSE 目前最大的两个局限是不适用于多维数据输入，以及在输出可变性高的区域学习效果不好，不过也算是为很多需要快速计算的研究领域提供了新的解决方案。

这次获诺贝尔物理奖的三位科学家的主要研究发表于上世纪 60 至 80 年代，那时候的计算机速度要比现在慢上太多，算法也都是直接解算为主。

即便如此他们也都在各自领域做出了突破性的成果。

现在有了 AI 物理模拟的帮助，希望更多的研究成果能不断涌现出来。

牛津论文:

参考链接:

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。