Как научить ИИ моделировать реальную ⚛физику⚛

#AI #ИИ #физика #Blender Я очень люблю различные физические симуляции. Вот из последнего я тестировал симуляции жидкости и дыма в Blender 2.93.1. Туда завезли новые алгоритмы и немного иные настройки моделирования. Но все это меркнет на фоне ударных достижений машинного обучения. Новые AI подходы, применяемые для моделирования жидкостей, позволяют делать просто чудеса чудесные. Вы скажете: зачем нам ИИ на машинном обучении, если мы и так можем написать симулятор, который хорошо имитирует законы физики, сам же Blender в пример привел. Итак, зачем нам нейронные сети? Для моделирования воды или дыма нужно использовать множество физических показателей и формул. А еще нужно очень хорошее железо для любой физической симуляции. В принципе, так как мы повторяем реальный процесс, то уже знаем чем он должен закончиться. Мы с вами знаем всю динамику процесса, потому оценивать работу ИИ будет легко. Ученые в данной работе под названием "Учимся моделировать сложную физику с графовыми сетями" натренировали ИИ угадывать, как поведет себя дым или жидкость с течением времени. Нейросети показали просто крутой результат. Взгляните сами. Вот что пишут сами ученые: Здесь мы представляем структуру машинного обучения и реализацию модели, которая может научиться моделировать широкий спектр сложных физических областей, включая жидкости, твердые тела и деформируемые материалы, взаимодействующие друг с другом. Наша структура, которую мы называем “Граф Сетевые симуляторы” (GNS)—представляет состояние физической системы с частицами, выраженными в виде узлов на графике. Наши результаты показывают, что наша модель может обобщать однократные прогнозы с тысячами частиц во время обучения. Наша система GNS может решить широкий спектр сложных прямых и обратных задач. Итак, один раз обучив такую нейронку мы без предварительных расчетов и муторных настроек запускаем нужную нам симуляцию. Да и к тому же данный подход позволяет экономить на мощности оборудования, не в ущерб самой симуляции. Да вы посмотрите сами на результат - это же очень круто! Та модель тренировки нейронки, что лежит внутри этой работы позволяет строить очень точные модели. Физическое моделирование при таком подходе очень качественное. Даже при обычных подходах моделирования физических процессов мы часто упираемся в производительность, и модель просто начинает себя неправильно вести. Однако, эти симуляции просто поразительны. Все источники есть под видео. Пользуетесь. А также подписывайтесь на канал. Сама научная работа: arxiv.org/abs/2002.09405 Код и наборы данных: github.com/deepmind/deepmind-research/tree/master/learning_to_simulate https://zen.me/2beuGk