返回栏目
首页人工智能 • 正文

最高高速化20亿倍! AI起爆物理模拟发动机革命

发布时间:  来源:河洛网

牛津大学的一项研究表明,与传统的物理求解器相比,机器学习模型能够将物理模拟速度提高多达20亿倍,解决困扰狄拉克的模拟计算难题可能已经接近成功。

最高高速化20亿倍! AI起爆物理模拟发动机革命

1929年,英国著名的量子物理学家保罗·; 狄拉克说,“ 几乎所有物理学和化学整体数学理论所需的基本物理规律都是完全已知的,困难只是由于这些规律的正确应用,方程太复杂而无法解决” 。 狄拉克认为,从蛋白质折叠到材料故障和气候变化,所有的物理现象都可以模拟到量子。 唯一的问题是控制方程太复杂了,无法用现实的时间尺度解决。

这是否意味着我们无法实现实时物理模拟? 随着研究、软件和硬件技术的进步,实时模拟在经典极限下成为可能,这在视频游戏的物理模拟中最为明显。

虽然计算碰撞、变形、断裂、流体流动等物理现象需要很多计算,但是目前正在开发能够在游戏中实时模拟这种现象的模型。 当然,为了实现这个目标,需要大大简化和优化各种算法。 其中最快的方法是刚体物理学。

因此,我们假设大多数游戏物理模型的基础对象可以碰撞反弹而不变形。 物体由包围物体的凸碰撞框表示,当两个物体碰撞时,系统实时检测碰撞,并施加适当的力进行模拟。 这样的表示不会发生变形和断裂。 视频游戏“ 三角与四角; 可能是刚体物理学顶点的作品。

但是,刚体物理有利于模拟不可变形的碰撞,但不适用于头发和衣服等可变形的材料。 在这些场景中,需要应用柔体动力学。 以下是模拟复杂顺序可变形对象的四种方法。

弹簧质量模型如其名,这种对象用弹簧相互连接的质点系表示。 可以认为这是3D设置中的一维挂钩法则网络。 该模型的主要缺点是在设置质量弹簧网络时需要大量的手工操作,并且材料属性和模型参数之间没有严格的联系。 尽管如此,这个模型还是“ Beamng .驱动器和RDQuo; 我在中得到了很好的实现。 这是一种基于弹簧质量模型模拟车辆变形的实时车辆模拟器。

基于位置的动力学( PBD ) :在基于力的模型中,通常通过求解一组包含约束方程的准静态问题来直接计算位置。 这是一种更灵活的物理模拟运动学的好方法。 PBD速度更快,非常适合应用于游戏、动画电影、视觉效果。 游戏中头发和衣服的运动一般用这个模型模拟。 PBD不仅可以用于可变形的固体,也可以用于刚体系统和流体的模拟。

Nvidia的Flex引擎是基于PBD方式的。 对象表示为通过物理约束连接的粒子的集合

有限元法( FEM )非实时、准确性高该方法基于弹性场理论数值求解应力-应变方程。 那本质上就是在3D中解决3D挂钩法则。 将材料分割为有限元,通常为四面体,通过求解线性矩阵方程,在各时间步计算顶点的应力和应变。 FEM是一种基于网格的柔体动力学模拟方法。 这是非常准确的,模型参数与杨氏模量和泊松比等材料特性直接相关。 虽然工程中实际使用的FEM模拟通常不是实时的,但最近AMD推出了一种叫做FEMFX的游戏多线程FEM库,可以实时模拟材料的变形。

质点法( MPM )精度高、速度慢的MPM是一种高精度的无网格方法,比基于网格的方法更适合大规模的变形、裂纹、多材料复合系统和粘性流体的模拟,提高了模拟效率和精度。 MPM是目前最先进的无网格欧拉/拉格朗日混合方法,MPM模拟不是实时的,在涉及100万个点的系统中,最先进的模拟每帧需要约30分钟。

一块面包的裂缝被模拟为1100万个MPM粒子

在AI辅助、将物理模拟速度提高20亿倍的模拟计算中,计算速度和精度之间总是存在权衡。 由于在过去几十年中对物理求解器进行了大量优化,空之间很少出现增量改进。

这需要机器学习发挥作用。 来自牛津大学、育碧、DeepMind和ETH Zurich的最新研究表明,深度神经网络可以学习物理相互作用,并多次模拟它,速度快了几个数量级。

这样的提高可以通过生成数百万模拟数据,用神经网络进行训练,用训练过的模型模拟物理求解器来实现。 虽然离线过程需要大量的时间来生成数据和训练模型,但是训练过的神经网络要比模拟物理模型快得多。

牛津大学的研究人员开发了一种叫做深仿真器网络搜索( DENSE )的方法,将模拟速度提高了多达20亿倍。 他们已经用10个科学研究事例证明了这一点。 还包括天体物理学、气候、融合、高能物理学等领域。

在游戏领域,Ubisoft La Forge团队使用了一个简单的前馈网络,在三个后续时间帧中训练3D网格对象的顶点位置,并学习预测下一个帧。 该模型本质上比较了预测和模拟数据集内的已知位置,并通过反向传播调整模型参数以最小化预测误差。

小组使用Maya的nCloth物体理解计算机生成了模拟数据。 这是一个针对面料优化的高级弹簧质量模型。 他们还进行主成分分析( PCA ),只在最重要的基础上进行训练。 结果神经网络模拟物理的速度比物理求解器快5000倍。

面料和柔性材料的高速数据驱动动物理模拟

视频: https://www.youtube.com/watch? v = yjevv 86字节

DeepMind团队最近的另一项工作在图网络方面取得了惊人的成果。 与传统的神经网络不同,图神经网络具有如图所示的结构。 小组使用照片网络模拟了沙子、水、粘稠物、刚性固体等各种材料。

该模型不是预测粒子的位置,而是预测加速度,利用欧拉积分计算速度和位置。 模拟数据是使用一系列物理求解器(如PBD、平滑粒子流体力学( SPH )和MPM )生成的。

虽然没有物理求解器那么快,但由于针对速度进行了优化,因此机器学习指出了遇到物理时可以实现的目标。

复杂物理模拟的实际情况与深度学习预测的比较

视频: https://www.youtube.com/watch? v=h7h9zF8OO7E

虽然目前这个领域还处于起步阶段,但将来一定会发现基于机器学习的新技术,以提高物理模拟的性能。 有很多模型可以模拟从量子力学和分子动力学到微观结构和经典物理学等各种规模和复杂性的物理现象。 机器学习和物理学相结合,创造价值的潜在机会无疑是巨大的。

【编辑推荐】

    相关文章Related

    返回栏目>>

    河洛网首页

    Copyright © 2019 河洛网 版权所有 dahuimr@163.com