新智元报导

来源于：Reddit

编写：David

【新智元前言】剑桥大学一项研究表明，与传统式物理求解器对比，深度学习模型可将物理模拟速率提高至最大20亿倍左右，间距处理困惑狄拉克的模拟测算难点很有可能朝着取得成功更近了一步。

1929年，美国知名量子科技物理学者韦德·狄拉克曾说过，“绝大多数物理学和全部有机化学的数学课理论所需的基本上物理基本定律是充分已经知道的，艰难仅仅这种基本定律的准确运用造成 方程式太繁杂而不能处理”。狄拉克觉得，全部物理状况都能够模拟到量子科技，从蛋白伸缩到原材料无效和气候问题全是这般。唯一的情况是操纵方程式太繁杂，没法在实际的时域和频域上获得处理。

这是不是代表大家始终不能完成实时监控的物理模拟？伴随着科学研究、手机软件和硬件设备技术性的发展，即时模拟在經典極限下变成很有可能，这在游戏视频的物理模拟中更为显著。

对撞击、变形、破裂和液体流动性等物理状况开展必须大批量的测算，但现在现已研发出能够 在游戏内即时模拟该类问题的模型。自然，为了更好地达到这一总体目标，必须 对不一样优化算法实现了很多简单化和提升。在其中更快的办法是刚体物理学。

因此假定，大部分游戏里面的物理模型所根据的目标能够 撞击和反跳而不变形。物件由紧紧围绕物件的凸撞击框表明，当2个物件产生撞击时，系统软件即时检验撞击并增加适度的力来多方面模拟。该类表明中不产生变形或破裂。游戏视频“Teardown”可能是刚体物理学的巔峰之作。

Teardown 是一款彻底互动式的根据体素的手机游戏，应用刚体物理解计算工具来模拟毁坏

但是，刚体物理尽管有益于模拟不能变形的撞击，但不适合用以秀发和衣物等可变形的原材料。在这种情景中，必须运用柔体动力学模型。下列是4种按多元性次序模拟可变形目标的方式：

扭簧品质模型

说白了，这类目标由根据扭簧互相连接的质点系表明。能够 将其视作 3D 设定中的一维胡克定律互联网。该模型的具体缺陷是，在设定品质扭簧互联网时须要很多手动式工作中，且原材料特性和模型主要参数中间并没有严谨的关联。即便如此，该模型在“BeamNG.Drive”中取得了不错的完成，这也是一种根据扭簧品质模型来模拟车子变形的即时车子模拟器。

BeamNG.Drive 应用扭簧品质模型来模拟车祸事故中的车子变形

根据地方的动力学模型 (PBD):更合适柔体变形

模拟动力学的办法一般根据力的模型，在根据地方的动力学模型中，部位是根据求解涉及到一组包括约束方程的准静态数据难题来立即测算的。PBD 速率更快，特别适合手机游戏、动漫电影和视觉冲击中的运用。游戏里面秀发和衣物的健身运动一般全是根据这一模型来模拟的。PBD 不但仅限于可变形固态，还能够用以模拟刚体系统软件和液体。

Nvidia 的 Flex 模块根据 PBD 方式 。目标表明为根据物理管束联接的颗粒结合

有限元原理 (FEM)：非即时，精确性高

这类办法是根据延展性场基础理论对地应力-应变力方程式开展标值求解。它实质上是在 3D 中处理 3D 胡克定律。将原材料区划为有限元分析，一般 为四面体，根据求解线形矩阵方程，在每一个時间步测算端点上的内应力和应变力。FEM 是一种根据网格的柔体动力学模型模拟仿真方式 。它十分精确，模型主要参数与杨氏模量和弹性模量等原材料特性立即有关。工程项目上具体使用的 FEM 模拟一般并不是即时的，但是近期，AMD 公布了名叫 FEMFX 的手机游戏线程同步 FEM 库，可即时模拟原材料变形。

AMD 的即时有限元分析求解器 FEMFX 模拟木料的破裂

AMD 的 FEMFX 模拟塑性变形变形

简谐运动法 (MPM)：高精度，速率比较慢

MPM 是一种高精密的无网格方式 ，比根据网格的办法更合适模拟规模性变形、缝隙、多原材料复合型系统软件和粘性流体，提升 了模拟高效率和精密度。MPM 是现在最领先的无网格欧拉/拉格朗日混和方式 ， MPM 模拟并不是即时的，针对涉及到大100万只点的系统软件，最领先的模拟每帧大概必须30秒。

一片吐司面包的撕破被模拟为 1100 万只 MPM 颗粒

AI助推，物理模拟速率提高20亿倍左右

在模拟测算中，处理速度和精密度中间一直存有衡量。因为物理求解器过去几十年中取得了很大的提升，基本上都没有室内空间开展逐渐改善。

这就必须深度学习充分发挥了。来源于剑桥大学、育碧游戏、DeepMind 和 ETH Zurich的全新研究表明，深层神经元网络能够学习培训物理互动并对其开展数次模拟速度更快好多个量级。

根据转化成数以百计的模拟数据信息，用神经元网络完成训炼，在使用 训炼过的模型来模拟物理求解器，就可以完成那样的提高。虽然线下全过程在产生数据信息和训炼模型层面会耗费大量的時间，但训练有素的神经网络模型在模拟物理模型的效率要快得多。

剑桥大学的科研工作人员研发了一种称之为深层仿真器网站搜索 (DENSE) 的方式 ，将模拟速率提高了最大20 亿倍左右，她们并早已在 10 个科研实例中说明了这一点，包含星体物理学、气侯、聚变和较高能物理学等行业。

游戏中行业，Ubisoft La Forge 的队伍采用了一个简洁的前馈控制互联网，该互联网在三个事后時间帧内训炼 3D 网格目标的极点部位，并学习培训预测分析下一帧。该模型实质上是将预测分析与模拟数据信息集中化的已经知道部位开展较为，并根据反向传播来调节模型主要参数，以最大限度地降低预测分析中的偏差。

该精英团队应用 Maya 的 nCloth 物理解计算工具转化成模拟数据信息，这也是一种对于面料提升的高級扭簧品质模型。她们还执行了主成分分析法 (PCA) 以仅在最重要的根基上开展训炼。結果神经元网络模拟物理的效率比物理求解器快 5000 倍。

面料和韧性材质的迅速数据驱动物理模拟

视頻：https://www.youtube.com/watch?v=yjEvV86byxg

DeepMind精英团队近期的另一项工作中在图网络层面获得了震惊的成效。与传统式神经元网络不一样，图神经网络具备相近图的构造。精英团队应用图网络模拟了多种原材料，包含碎石子、水、浓稠物和刚度固态。

这一模型并不是预测分析颗粒的部位，只是预测分析瞬时速度，而且应用欧拉积分处理速度和部位。模拟数据信息是应用一系列物理求解器转化成的，包含 PBD、SPH（光滑颗粒流体动力学）和 MPM。

因为对于速率实现提升，因而并沒有物理求解器快得多，但它展现了当深度学习碰到物理时能够 完成的总体目标。

繁杂物理模拟的具体情况和深度神经网络预测分析的较为

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

现阶段，这一行业仍处在发展环节，但将来一定会发觉提高物理模拟特性的根据深度学习的新技术应用。从物理学和分子动力学到外部经济构造和經典物理学，有很多模型能够 模拟多种多样经营规模和复杂性的物理状况，深度学习和物理学紧密结合，创造财富的不确定性机遇显然是不可估量的。

论文参考文献：

[1]Paul Dirac, Quantum Mechanics of many-electron systems, Proc. R. Soc. Lond. A 123, 714 (1929)

[2]J. Bender et al., A Survey on Position Based Dynamics, EUROGRAPHICS (2017)

[3]Chenfanfu Jiang et al., The Material Point Method for Simulating Continuum Materials, SIGGRAPH courses (2016)

[4]J. Wolper et al., CD-MPM: Continuum Damage Material Point Methods for Dynamic Fracture Animation, ACM Trans. Graph. 38, 119 (2019)

[5]M. Kasim et al., Building high accuracy emulators for scientific simulations with deep neural architecture search, arXiv (2020)

[6]D. Holden et al., Subspace Neural Physics: Fast Data-Driven Interactive Simulation, SCA Proc. ACM SIGGRAPH (2019)

[7]A. Sanchez-Gonzalez et al., Learning to Simulate Complex Physics with Graph Networks, Proc. 37th Int. Conf. ML, PMLR, 119 (2020)

[8]T. Pfaff et al., Learning Mesh-based Simulations with Graph Networks, arXiv (2021)

[9]B. Kim et al., Deep Fluids: A Generative Network for Parameterized Fluid Simulations, Computer Graphics Forum, 38, 59 (2019)

reddit连接：

https://www.reddit.com/r/MachineLearning/comments/phvgzb/r_how_machine_learning_will_revolutionise_physics/