当前位置:网站首页>L'apprentissage profond modifie la simulation du système physique jusqu'à 2 milliards de fois plus rapide

L'apprentissage profond modifie la simulation du système physique jusqu'à 2 milliards de fois plus rapide

2021-10-14 07:09:02 Qbital

Dream Morning De Temple d'avo
Bit quantique Couverture | Numéro public QbitAI

Si vous jouez souvent à de grands jeux, vous devriez trouver,Les moteurs physiques du jeu s'améliorent.

Comme le nouveau jeu d'Ubisoft《Pays limite》Vélo moyenLes éclaboussures de boue、Sous l'impact du skateboardChangements de pistes et éclaboussures de neige、Au fur et à mesure que la posture du personnage changePlis de vêtementsAttendez les détails réalistes,Pour que les joueurs se sentent plus immersifs.

e2ab21cdcd5d42b995871e86580acd15.gif

Mais il y a un problème qui se pose de plus en plus:

Les exigences des joueurs pour les images de jeu sont toujours en hausse,Le développement de solveurs physiques a rencontré un goulot d'étranglement,Il n'y a plus beaucoup de place pour l'optimisation algorithmique,Qu'est - ce qui pourrait accélérer la simulation physique plus tard?

Ubisoft a trouvé un moyen,AvecAI.

UbisoftAISecteur de la recherche et du développementLa ForgeIl y a longtemps2017A été fondée en,InAIL'application de la technologie au développement de jeux a donné de nombreux résultats.

Ils utilisent l'apprentissage intensif pour optimiser le jeuNPCLe comportement de recherche de chemin,AvecGANGénérer un richeNPCType de visage(Je sais《La Légion des chiens de garde》Oui.900Dix mille à recruterNPCComment est - ce arrivé).

C'est ça.,La ForgeEt unAIPeut trouver rapidement dans le CodeBug(Mais...BugEncore beaucoup).

En Simulation physique,Ils ont mis l'objet à simuler devant3 Position du cadre comme entrée ,Le réseau neuronal pour prédire le prochain cadre,L'analyse des composantes principales est également utilisée.(PCA)Calcul simplifié,En fin de compte, la vitesse des différents types de simulations physiques est augmentée300-5000X.

e1dba394a2fb3dc9772351ef7743729b.png

Bien qu'on ne sache pas encore dans quel jeu il a été utilisé à grande échelle,Mais ces données sont suffisantes pour que l'on puisse s'y attendre..

En particulier ceux qui ont subi des mouvements simulés de cheveux ouverts“Effets spéciaux HfS”Un joueur qui change de carte de jeu.

71b829650ab2af202f7b45c2de4d6000.gif

Après tout, ce sont les enfants qui font le choix.,La qualité de l'image et le nombre d'images sont nécessaires..

Prévision au lieu de calcul

La plus grande différence entre un jeu et un film est la participation des joueurs.

Les films peuvent être réalisés à l'aide d'une grande flotte qui prend beaucoup de temps à rendre.FixeImage de.

Mais le jeu doit être calculé en temps réel en fonction des actions du joueur et des résultats de rétroaction,Et dépend de la puissance de calcul de la machine du joueur.

Le réseau neuronal de l'équipe Ubisoft remplace le calcul intensif par la prévision,Les résultats peuvent être obtenus rapidement avec peu de ressources après la formation.

f9d5ac8394ab103e0abe18b9fad49d3f.gif

Dans la simulation de tissu,C'est tout ce qu'il faut.10mbMémoire et mémoire vive,Chaque seconde peut donner2000Multi - frame.

Mais l'entraînement au réseau neuronal n'est - il pas long??

C'est vrai,Sauf que le processus d'entraînement prend du temps,Il faut plus de temps pour générer une grande quantité de données pour la formation.

Mais ce sont des emplois ponctuels.,Peut être complété par les ressources informatiques de la société de jeux pendant la phase de développement du jeu.

C'est - à - dire que le fardeau du calcul est retiré du temps d'exécution(Runtime)La machine du joueur est transférée au serveur d'entraînement.

Actions pour les personnages du jeu,La vitesse à laquelle les données exactes peuvent être obtenues à l'aide d'un solveur physique ne peut être atteinte que par seconde3Cadre,Et les réseaux neuronaux peuvent prédire chaque seconde2000Multi - frame.

47c8f307087f4ce3ca4182246c8ca43f.gif

Regarde cette boxe.,Un peu.《Assassin Creed》Ça sent bon..

6a6296d27363ee113abff901d96fe2cd.gif

À part Ubisoft, la société de jeux,,DeepMindIl s'intéresse également à l'utilisation de réseaux neuronaux pour la simulation physique..

Ils utilisent un réseau neuronal graphique,Et ce n'est pas la position de l'objet, c'est l'accélération.,Calculer la vitesse et la position correspondantes avec l'intégrale Euler.

f8e5880dd861ceb6c96d80fb1402cdc2.png

Avec ce modèle,,DeepMindL'eau a été simulée avec succès、Mouvement du sable et de la matière visqueuse.

e4b1964d0b9d3ad2e872c88ef1b7b26d.gif

Malheureusement, l'étude met davantage l'accent sur la démonstration de ce que l'apprentissage profond peut faire.,Il n'y a pas beaucoup d'avantages dans la vitesse de prédiction par rapport aux méthodes traditionnelles.

Les systèmes complexes primés doivent également être simulés

Qu'il s'agisse de méthodes de calcul ou de prévision,Maintenant que nous avons simulé le mouvement d'un objet,,Est - ce qu'il y a d'autres utilisations que les jeux et les effets spéciaux du film et de la télévision??

C'est vrai,L'algorithme de simulation physique est également un outil puissant pour la recherche scientifique.

En particulier, le prix Nobel de physique de cette année a été décerné à des systèmes complexes dans le domaine du climat et de la science des matériaux.,Et la physique de haute énergie、Ces domaines de l'astrophysique.

Ils étudient des sujets particulièrement macroscopiques ou microscopiques,Et il faudra attendre longtemps pour voir ça.,Il y a beaucoup de difficultés à faire des expériences avec des objets réels..

À cette fin,,L'Université d'Oxford a développé un ensembleDeep Emulator Network Search(DENSE)Système,In10Augmenter la vitesse de simulation physique à un maximum de20Milliards de fois.

Tu n'as pas tort.,- Oui.20Milliards de fois.

bf85883e69edadd151409813d0a27fbb.png

Avant ça.,Les méthodes traditionnelles d'apprentissage par machine, telles que les forêts aléatoires et les processus Gaussiens, sont utilisées pour construire des modèles dans la simulation scientifique..

La première quantité de données dont ces méthodes ont besoin est énorme.,Et extraire les caractéristiques manuellement.

Dans de nombreux domaines scientifiques, les données ne ressemblent pas à la reconnaissance d'images ouNLPSi bien.,Donc l'utilisation de l'apprentissage automatique pour faire des simulations scientifiques a été lente..

L'Université d'Oxford tente de simuler avec des données limitées,La première idée est d'utiliser la convolution pour extraire automatiquement les caractéristiques des données.

Mais des particules microscopiques au changement climatique et au Mouvement des corps célestes,Les types de données varient considérablement selon la structure du réseau..

Ils ont finalement conçu une superarchitecture de réseau neuronal,équivalent à un modèle,Mettre à jour le poids du réseau et rechercher une structure adaptée à un problème particulier pendant la formation.

17926b2523e9b85246b0cc545e42731a.png

CNNHyperarchitecture

Dans l'expérience10Domaines de simulation scientifique,Il s'agit notamment de la simulation climatique qui a remporté le prix Nobel de physique:

1、Elasticité en physique de haute énergieXDiffusion Thomson des rayons X(XRTS)
2、Diffusion optique Thomson en astrophysique de laboratoire(OTS)
3、Diagnostic du mode local de bord Tokamak dans la science de l'énergie de fusion(ELMs)
4、Dans le plasma3Spectre d'émission de rayons X(XES)
5、Modélisation de la distribution du Centre Halo galactique en astrophysique
6、Tomographie sismique du plateau océanique ascendant de shatsky(SeisTomo)
7、Utilisation de modèles de circulation atmosphérique dans les sciences climatiques(GCM)Global Aerosol Climate Modeling Based on
8、Modélisation stoechiométrique des couches pélagiques marines en biogéochimie(MOPS)
9、Imagerie neutronique(ICF JAG)
10、Mesure scalaire dans l'expérience de fusion par confinement inertiel(ICF JAG Scalars)

Résultats finaux,Plus rapide que la méthode physique traditionnelle10(En milliers de dollars des États - Unis)-20Milliards de foisAttendez..

d011da11be373d7f4f9a54b35ad6a30a.png

Comparé au réseau neuronal conçu à la main,La vitesse de convergence de la structure du réseau est également améliorée..

c9e6b7e280a51837b27a837338663afe.png

Quelle méthode!,Pas sans défauts.

L'Université d'Oxford penseDENSELes deux plus grandes limites actuelles ne s'appliquent pas à l'entrée de données multidimensionnelles.,Et l'effet d'apprentissage n'est pas bon dans les régions où la variabilité des extrants est élevée,Mais c'est aussi une nouvelle solution pour de nombreux domaines de recherche qui nécessitent un calcul rapide..

Les principales recherches des trois scientifiques lauréats du prix Nobel de physique ont été publiées au siècle dernier.60à80Âge,À l'époque, l'ordinateur était beaucoup plus lent qu'il ne l'est maintenant.,Les algorithmes sont également basés sur des solutions directes.

Malgré cela, ils ont tous fait des percées dans leurs domaines respectifs..

Maintenant il y aAIAide à la simulation physique,J'espère que d'autres résultats de recherche continueront d'émerger..

Ubisoft Paper:https://dl.acm.org/doi/10.1145/3309486.3340245
Présentation vidéo:https://www.youtube.com/watch?v=yjEvV86byxg

DeepMindDocuments:https://arxiv.org/abs/2002.09405
Présentation vidéo:https://www.youtube.com/watch?v=h7h9zF8OO7E

Oxford Paper:
https://arxiv.org/abs/2001.08055

Liens de référence:
[1]https://www.reddit.com/r/MachineLearning/comments/phvgzb/r_how_machine_learning_will_revolutionise_physics/

版权声明
本文为[Qbital]所创,转载请带上原文链接,感谢
https://chowdera.com/2021/10/20211013211437565m.html

随机推荐