如果常常玩大型游戏的话该当会创造，游戏里的物理引擎效果越来越好了。
比如育碧公司的新游戏《极限国度》中自行车溅起的泥点、受到滑板冲击改变的雪道和飞溅的雪花、随着角色姿势不断变革的衣服褶皱等逼真细节，都让玩家更能感到身临其境。
但这里面有一个问题越来越突显：
玩家对游戏画面的哀求永久在提高，物理解算器的发展却碰着了瓶颈，从算法上可以优化的余地已经不多了，往后还有什么办法能加速物理仿照？
育碧公司实在已经找到办法了，用AI。
育碧的AI研发部门La Forge早在2017年就已成立，在AI技能运用于游戏开拓中已经做出不少成果。
他们用强化学习优化游戏NPC的寻路行为，用GAN天生丰富的NPC脸型（知道《看门狗军团》号称有900万个可招募NPC怎么来的了吧）。
对了，La Forge还开拓了一个AI能快速探求代码中的Bug（但Bug还是很多啊）。
在物理仿照上，他们把要仿照的物体在前3帧的位置作为输入，喂给神经网络来预测下一帧，还用主身分剖析法（PCA）简化打算，终极把不同类型物理仿照的速率提高了300-5000倍。
虽然还没听说有在哪款游戏里大规模实际运用上，但光凭这个数据就足以让人期待了。
尤其是那些经历过打开仿照头发运动的“海飞丝殊效”游戏就变卡的玩家。
毕竟小孩子才做选择，大人画质和帧数全都要。
预测代替打算游戏与电影最大的不同便是有玩家的参与。
电影可以在制作时利用大规模机群花费大量韶光渲染好固定的画面。
但游戏要根据玩家的操作实时打算并反馈结果，还只能靠玩家自己的机器的打算能力。
育碧团队的神经网络用预测代替了密集的打算，演习好后只须要很少的资源就能快速给出结果。
在布料仿照中，只花费了不到10mb的内存和显存，每秒可以给出2000多帧。
但是神经网络的演习不是须要很永劫光吗？
没错，除了演习过程花费韶光，天生演习所需的大量数据要花费更多韶光。
不过这些都是一次性的事情，可以在游戏开拓阶段由游戏公司的打算资源完成。
也便是把打算的重担从运行时(Runtime)玩家自己的机器转移到了演习做事器上。
对付游戏角色的动作，用物理解算器给出精准数据的速率只能达到每秒3帧，而神经网络的预测却可以做到每秒2000多帧。
看这拳击动作，有点《刺客信条》那味了。
除了游戏公司育碧，DeepMind也对用神经网络做物理仿照感兴趣。
他们用的是图神经网络，而且预测的不是物体的位置而是加速度，再用欧拉积分打算出相应的速率和位置。
通过这个模型，DeepMind成功仿照了水、沙子和黏稠物的运动。
不过可惜的是这项研究更看重展示深度学习方法能做什么，在预测速率上和传统解算方法比较没有太大上风。
获诺奖的繁芜系统也须要仿照无论是打算还是预测的方法，既然都把物体的运动过程仿照出来了，除了做游戏和影视殊效以外是不是还能有点别的用途？
没错，物理仿照算法同时也是科学研究的有力工具。
尤其是像今年的诺贝尔物理奖颁给了景象和材料学领域的繁芜系统，以及高能物理、天体物理学这些领域。
它们研究的工具要么特殊宏不雅观要么特殊微不雅观，还有的须要等很永劫光才能不雅观察到一次，想拿实物去做实验会碰着很多困难。
为此，牛津大学开拓了一套Deep Emulator Network Search(DENSE)系统，在10个科学研究场景中把物理仿照速率最高提高到20亿倍。
你没看错，是20亿倍。
原来在此之前，科研仿照中主流的做法还是用随机森林和高斯过程等传统机器学习方法来构建模型。
这些方法首先须要的数据量就非常弘大，还要人工去提取特色。
在很多科学领域数据并不像图像识别或NLP里那么好得到，以是用机器学习来做科研仿照这事进展一贯缓慢。
牛津大学为了在数据有限的情形下搞仿照，首先想到的便是用卷积来自动提取数据特色。
不过从微不雅观粒子到景象变革再到天体运行，数据类型不同适宜的网络构造也大不相同。
他们终极设计出了一套神经网络超架构，相称于一个模版，在演习时同时进行更新网络的权重和搜索出适宜特定问题的构造。
△CNN超架构
在实验中选取了10个科学仿照领域，个中就包括这次得到诺贝尔物理奖的景象仿照：
1、高能物理学中的弹性X射线汤姆逊散射（XRTS）2、实验室天体物理学中的光学汤姆逊散射（OTS）3、聚变能科学中的托卡马克边缘局域模诊断（ELMs）4、等离子体中的3倍射线发射光谱（XES）5、天体物理学中的星系晕中央分布建模6、沙茨基上升海洋高原地震层析成像（SeisTomo）7、景象科学中利用大气环流模型（GCM）的环球气溶胶景象建模8、生物地球化学中的海洋中上层化学计量建模（MOPS）9、中子成像（ICF JAG）10、惯性约束聚变实验中的标量丈量（ICF JAG Scalars）
终极的结果，比传统物理解算的方法速率提高了10万-20亿倍不等。
与手工设计的神经网络比较，搜索出来的网络构造收敛速率也都有所提高。
这么厉害的方法，也不是没有缺点。
牛津大学认为DENSE目前最大的两个局限是不适用于多维数据输入，以及在输出可变性高的区域学习效果不好，不过也算是为很多须要快速打算的研究领域供应了新的办理方案。
这次获诺贝尔物理奖的三位科学家的紧张研究揭橥于上世纪60至80年代，那时候的打算机速率要好比今慢上太多，算法也都是直接解算为主。
即便如此他们也都在各自领域做出了打破性的成果。
现在有了AI物理仿照的帮助，希望更多的研究成果能不断呈现出来。
育碧论文：https://dl.acm.org/doi/10.1145/3309486.3340245视频演示：https://www.youtube.com/watch?v=yjEvV86byxg
DeepMind论文：https://arxiv.org/abs/2002.09405视频演示：https://www.youtube.com/watch?v=h7h9zF8OO7E
牛津论文：https://arxiv.org/abs/2001.08055
参考链接：[1]https://www.reddit.com/r/MachineLearning/comments/phvgzb/r_how_machine_learning_will_revolutionise_physics/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态