最高提速20亿倍！AI引爆物理模拟引擎革命( 二 ) 新智元报道来源：Reddit编辑：

AMD的FEMFX模拟塑性变形
质点法(MPM)：精度高，速度较慢
MPM是一种高精度的无网格方法，比基于网格的方法更适合模拟大规模变形、裂缝、多材料复合系统和粘性流体，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，对于涉及大100万个点的系统，最先进的模拟每帧大约需要半分钟。

文章图片
一片面包的撕裂被模拟为1100万个MPM粒子
AI助力，物理模拟速度提升20亿倍
在模拟计算中，计算速度和精度之间总是存在权衡。由于物理求解器在过去几十年中得到了极大的优化，几乎没有空间进行逐步改进。
这就需要机器学习发挥作用了。来自牛津大学、育碧、DeepMind和ETHZurich的最新研究表明，深度神经网络可以学习物理交互并对其进行多次模拟速度快几个数量级。
通过生成数以百万计的模拟数据，用神经网络进行训练，在用训练过的模型来模拟物理求解器，就可以实现这样的提升。尽管离线过程在生成数据和训练模型方面会花费大量时间，但经过训练的神经网络在模拟物理模型的速度要快得多。
牛津大学的研究人员开发了一种称为深度仿真器网络搜索(DENSE)的方法，将模拟速度提升了最高20亿倍，他们并已经在10个科学研究案例中证明了这一点，包括天体物理学、气候、聚变和高能物理学等领域。
在游戏领域， UbisoftLaForge的团队使用了一个简单的前馈网络，该网络在三个后续时间帧内训练3D网格对象的顶点位置，并学习预测下一帧。该模型本质上是将预测与模拟数据集中的已知位置进行比较，并通过反向传播来调整模型参数，以最大限度地减少预测中的误差。
该团队使用Maya的nCloth物理解算器生成模拟数据，这是一种针对布料优化的高级弹簧质量模型。他们还实施了主成分分析(PCA)以仅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。

文章图片
布料和柔性材料的快速数据驱动物理模拟
视频：https://www.youtube.com/watch?v=yjEvV86byxg
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。与传统神经网络不同，图神经网络具有类似图的结构。团队使用图网络模拟了各种材料，包括沙子、水、粘稠物和刚性固体。
这个模型不是预测粒子的位置，而是预测加速度，并且使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生成的，包括PBD、SPH（平滑粒子流体力学）和MPM 。
由于针对速度进行优化，因此并没有物理求解器快得多，但它展示了当机器学习遇到物理时可以实现的目标。

文章图片
复杂物理模拟的真实情况和深度学习预测的比较
视频：https://www.youtube.com/watch?v=h7h9zF8OO7E
目前，这个领域仍处于起步阶段，但未来肯定会发现提升物理模拟性能的基于机器学习的新技术。从量子力学和分子动力学到微观结构和经典物理学，有很多模型可以模拟多种规模和复杂度的物理现象，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。
参考文献：
【最高提速20亿倍！AI引爆物理模拟引擎革命】[1]PaulDirac,QuantumMechanicsofmany-electronsystems,Proc.R.Soc.Lond.A123,714(1929)
[2]J.Benderetal.,ASurveyonPositionBasedDynamics,EUROGRAPHICS(2017)