蓝盟IT小贴士，来喽！
但是，其中一个问题越来越突出：
虽然玩家对游戏画面的要求永远在提高，但是生物理解计算机的发展遇到了瓶颈，从算法上能够进行优化的空间变少了。 今后，加速物理模拟的方法是什么？
育碧公司其实已经找到方法，用AI。
育碧的AI研发部门La Forge成立于2017年，在AI技术应用于游戏开发方面取得了很多成果。
他们使用强化学习优化了游戏NPC的路由搜索行为，使用GAN生成了丰富的NPC面孔(《看门狗军团》知道900万个可募集的NPC是怎么来的吧)。
对了，La Forge还开发了快速查找代码中bug的AI (但是bug很多呢)。
在物理模拟中，以要模拟的物体的前三个帧的位置为输入，赋予神经网络预测下一个帧，用主成分分析法(PCA )简化计算，最终将不同类型的物理模拟的速度提高到300-5000倍
深度学习正在改变物理系统的模拟，速度最高提高了20亿倍
虽然还没有听说在哪个游戏中被大规模实用化，但是光凭这个数据就足够期待了。
特别是，一打开模拟头发运动的“仇恨演讲效果”游戏，就有成为卡片经验的玩家。
深度学习正在改变物理系统的模拟，速度最高提高了20亿倍
毕竟是孩子选择，大人的画质和帧数都是必要的。
预测替代计算
游戏和电影最大的区别是有玩家的参与。
电影在制作时可以使用大规模的机群消耗大量的时间渲染固定的画面。
但是，游戏要根据玩家的操作进行实时计算，并反馈结果，只能依靠玩家自身机器的计算能力。
育碧团队的神经网络用预测代替密集的计算，训练后可以用较少的资源迅速得出结果。
深度学习正在改变物理系统的模拟，速度最高提高了20亿倍
在面料模拟中，只消耗了不足10mb的内存和图形内存，每秒能提供2000帧以上。
但是神经网络的训练不是需要很长时间吗？
是的。 除了培训过程需要时间外，要生成培训所需的大量数据还需要更多的时间。
但是，这些都是一次性工作，游戏公司的计算资源可以在游戏开发阶段完成。
也就是说，计算的重担从运行时(Runtime )玩家自己的机器转移到了训练服务器上。
相对于游戏角色的移动，用物体理解计算机发出准确数据的速度只能达到每秒3帧，而神经网络的预测却能达到每秒2000帧以上。
看这个拳击动作，有点《刺客信条》的味道。不仅是游戏公司育碧，DeepMind也对使用神经网络进行物理模拟感兴趣。
他们使用的是图形神经网络，而且预测的不是物体的位置而是加速度，用欧拉积分来计算相应的速度和位置。
深度学习改变了物理系统的模拟，速度最高提高了20亿倍
通过该模型，DeepMind成功模拟了水、砂、粘稠物的运动。
但遗憾的是，该研究侧重于展示深度学习方法能够做什么，在预测速度方面与传统的解法相比没有什么优势。
诺奖的复杂系统也需要模拟
计算方法和预测方法既然都模拟了物体的运动过程，那么除了制作游戏和电影的特殊效果之外，不是也有一点作用吗？
没错，物理模拟算法同时也是科学研究的有力工具。
特别是今年的诺贝尔物理奖授予了气候和材料学领域的复杂系统、高能物理、天体物理学等领域。
这些研究的对象特别是宏观还是微观，而且距离观察需要很长的时间，要拿着实物进行实验会遇到很多困难。
为此，牛津大学开发了Deep EMULATORNET Worksearch (Dense )系统，在10个科研场景中使物理模拟速度最高提高了20亿倍。
你没有错。 是20亿倍。
深度学习改变了物理系统的模拟，速度最高提高了20亿倍
在此之前，在科学研究模拟中，主流是使用随机森林和高斯过程等传统的机器学习方法构建模型。
这些方法首先需要的数据量非常大，必须人工提取特征。
在很多科学领域，数据得不到图像识别和NLP那样好，因此使用机器学习进行科学研究模拟进展缓慢。
牛津大学为了在数据有限的情况下进行模拟，首先考虑了利用卷积自动提取数据的特征。
但是，从微观粒子到气候变化、天体运行，根据数据的种类不同，合适的网络结构会有很大差异。
他们最终设计了相当于模板的神经网络超级体系结构，在训练时同时进行了网络权重的更新和适合特定问题的结构的探索。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
