當(dāng)科學(xué)家或特效師想模擬洪水來襲或小行星撞擊的場景時(shí)，他們通常需要利用物理模擬器。但是制作能準(zhǔn)確模擬自然現(xiàn)象的軟件需要花費(fèi)大量的時(shí)間精力，對專業(yè)知識也有很高要求?，F(xiàn)在，研究人員開發(fā)出一款能夠模擬復(fù)雜物理現(xiàn)象的人工智能模型。

近日，人工智能公司DeepMind在國際機(jī)器學(xué)習(xí)大會（ICML）上推出了一款基于圖形網(wǎng)絡(luò)的模擬器（GNS），它可以真實(shí)地還原成千上萬個不同材質(zhì)粒子之間的相互作用，例如在一個盒子中扔入一捧沙或倒入一杯水，模擬形成的動畫可以持續(xù)數(shù)千幀。

這項(xiàng)研究論文題為“Learning to Simulate Complex Physics with Graph Networks”，被ICML 2020收錄。

人工智能學(xué)會模擬復(fù)雜物理現(xiàn)象

大多數(shù)復(fù)雜物理現(xiàn)象模擬器的制造和使用成本很高，可能需要花費(fèi)數(shù)年的時(shí)間，而且往往為提升準(zhǔn)確性而犧牲通用性。高質(zhì)量的模擬器需要耗費(fèi)大量計(jì)算資源，因此無法進(jìn)行大規(guī)模推廣。由于對基本物理參數(shù)了解不足，即使最好的傳統(tǒng)模擬器也通常不夠準(zhǔn)確。

DeepMind公司的研究人員將歸納偏差（inductive biases）注入機(jī)器學(xué)習(xí)模型，基于數(shù)據(jù)模擬，開發(fā)出通用框架——GNS模型。該模型以相互作用的粒子形成的網(wǎng)絡(luò)來呈現(xiàn)場景，這些粒子相互傳遞有關(guān)其位置、速度和材料特性的信息。通過學(xué)習(xí)，模型可以準(zhǔn)確地模擬液體、固體與其他可變形材料相互作用的各種物理系統(tǒng)。

研究人員進(jìn)一步探究了GNS模型在同時(shí)包含水、沙子和膠狀物體這三種不同復(fù)雜物理材料情況下的模擬方式。這些材料的運(yùn)動方式截然不同。在以往大多數(shù)模擬器中，模擬不同材料需要單獨(dú)的模型，甚至使用完全不同的模擬算法。通過反復(fù)比較自身與傳統(tǒng)物理模擬器的預(yù)測值，GNS模型能夠?qū)W習(xí)信息傳遞與粒子相互作用的方式。訓(xùn)練后，其預(yù)測范圍可以推廣到模型訓(xùn)練時(shí)從未出現(xiàn)場景，或者添加更多障礙物（如增加坡道或搖動盒子）的情況。

新模型具有更高的準(zhǔn)確性與通用性

據(jù)Science報(bào)道，盡管GNS模型比較簡單，但與其他類似的模型相比，它在歸納各種現(xiàn)象時(shí)更加準(zhǔn)確。

美國麻省理工學(xué)院（MIT）的研究團(tuán)隊(duì)曾于2018年開發(fā)了一種基于深度學(xué)習(xí)的粒子模擬器系統(tǒng)。該系統(tǒng)能夠預(yù)測機(jī)器與固體或液體的相互作用。創(chuàng)新之處是“粒子交互網(wǎng)絡(luò)”（DPI Nets），可以捕捉粒子的復(fù)雜行為。

在模擬固體盒子在水上漂浮時(shí)，GNS模型在DPI模型的基礎(chǔ)上進(jìn)行優(yōu)化，利用相對編碼器（relative ENCODER）加強(qiáng)噪音訓(xùn)練，增強(qiáng)了自主性。

研究人員表示，GNS模型擁有計(jì)算遠(yuǎn)程相互作用的能力、空間不變性的歸納偏差以及能夠減少模擬長軌跡上誤差累積的訓(xùn)練程序，因此比DPI模型利用范圍更廣，有更強(qiáng)的通用性。

GNS的一大用途是制作具有較高逼真度的特效，例如模擬海嘯、地震等大型災(zāi)難場景用于電影制作。此外，研究人員希望該模型可以幫助機(jī)器人推理、預(yù)測周圍的環(huán)境，從而使機(jī)器人可以及時(shí)避開系統(tǒng)設(shè)定之外的障礙物。

為了實(shí)現(xiàn)對傳統(tǒng)模擬器的超越，研究人員認(rèn)為在未來應(yīng)該進(jìn)一步研究如何更高效地實(shí)現(xiàn)GNS計(jì)算，并開發(fā)更加完善的并行計(jì)算硬件。

同時(shí)，研究人員認(rèn)為，通過嚴(yán)格優(yōu)化逆向推理，模擬器可能有助于解決反問題。

“從更廣泛的意義上看，此次的研究成果是向開發(fā)更為復(fù)雜的生成模型邁進(jìn)的關(guān)鍵一步?！毖芯咳藛T在論文中表示。