cms-style="font-L">　　当科学家或特效师想仿真洪水来袭或小行星碰撞的场景时，他们一般来说必须利用物理模拟器。但是制作能精确仿真自然现象的软件必须花费大量的时间精力，对专业知识也有很高拒绝。现在，研究人员研发出有一款需要仿真简单物理现象的人工智能模型。　　近日，人工智能公司DeepMind在国际机器学习大会（ICML）上发售了一款基于图形网络的模拟器（GNS），它可以现实地还原成成千上万个有所不同材质粒子之间的相互作用，例如在一个盒子中扔入一玉女沙或放入一杯水，仿真构成的动画可以持续数千帧。

　　这项研究论文为题“Learning to Simulate Complex Physics with Graph Networks”，被ICML 2020收录于。　　人工智能学会仿真简单物理现象　　大多数简单物理现象模拟器的生产和用于成本很高，有可能必须花费数年的时间，而且往往为提高准确性而壮烈牺牲通用性。高质量的模拟器必须花费大量计算资源，因此无法展开大规模推展。由于对基本物理参数理解严重不足，即使最差的传统模拟器也一般来说过于精确。

　　DeepMind公司的研究人员将概括偏差（inductive biases）流经机器学习模型，基于数据仿真，研发出有标准化框架——GNS模型。该模型以相互作用的粒子构成的网络来呈现出场景，这些粒子互相传送有关其方位、速度和材料特性的信息。通过自学，模型可以精确地仿真液体、液体与其他可变形材料相互作用的各种物理系统。　　研究人员更进一步探究了GNS模型在同时包括水、沙子和胶状物体这三种有所不同简单物理材料情况下的仿真方式。

这些材料的运动方式截然不同。在以往大多数模拟器中，仿真有所不同材料必须分开的模型，甚至用于几乎有所不同的仿真算法。

　　通过重复较为自身与传统物理模拟器的预测值，GNS模型需要自学信息传送与粒子相互作用的方式。训练后，其预测范围可以推展到模型训练时未曾经常出现场景，或者加到更加多障碍物（如减少坡道或晃动盒子）的情况。　　新的模型具备更高的准确性与通用性　　据Science报导，尽管GNS模型比较简单，但与其他类似于的模型比起，它在概括各种现象时更为精确。

　　美国麻省理工学院（MIT）的研究团队曾于2018年研发了一种基于深度自学的粒子模拟器系统。该系统需要预测机器与液体或液体的相互作用。创意之处是“粒子交互网络”（DPI Nets），可以捕猎粒子的简单不道德。

　　在仿真液体盒子在水上飘浮时，GNS模型在DPI模型的基础上展开优化，利用比较编码器（relative ENCODER）强化噪音训练，强化了自主性。　　研究人员回应，GNS模型享有计算出来远程相互作用的能力、空间不变性的概括偏差以及需要增加仿真宽轨迹上误差积累的训练程序，因此比DPI模型利用范围更加甚广，有更加强劲的通用性。　　GNS的众多用途是制作具备较高逼真度的特效，例如仿真海啸、地震等大型灾难场景用作电影制作。

此外，研究人员期望该模型可以协助机器人推理小说、预测周围的环境，从而使机器人可以及时避免系统原作之外的障碍物。　　为了构建对传统模拟器的打破，研究人员指出在未来应当更进一步研究如何更加高效地构建GNS计算出来，并研发更为完备的并行计算硬件。

　　同时，研究人员指出，通过严苛优化逆向推理小说，模拟器有可能有助解决问题反问题。　　“从更加普遍的意义上看，此次的研究成果是向研发更加简单的分解模型迈向的关键一步。

”研究人员在论文中回应。
本文关键词：im电竞,im电竞·(中国)电子竞技平台

本文来源：im电竞-www.ygsscq.com