當科學家或特效師想模擬洪水來襲或小行星撞擊的場景時，他們通常需要利用物理模擬器。但是制作能準確模擬自然現象的軟件需要花費大量的時間精力，對專業知識也有很高要求?，F在，研究人員開發出一款能夠模擬復雜物理現象的人工智能模型。

近日，人工智能公司DeepMind在國際機器學習大會（ICML）上推出了一款基于圖形網絡的模擬器（GNS），它可以真實地還原成千上萬個不同材質粒子之間的相互作用，例如在一個盒子中扔入一捧沙或倒入一杯水，模擬形成的動畫可以持續數千幀。

這項研究論文題為“Learning to Simulate Complex Physics with Graph Networks”，被ICML 2020收錄。

人工智能學會模擬復雜物理現象

大多數復雜物理現象模擬器的制造和使用成本很高，可能需要花費數年的時間，而且往往為提升準確性而犧牲通用性。高質量的模擬器需要耗費大量計算資源，因此無法進行大規模推廣。由于對基本物理參數了解不足，即使最好的傳統模擬器也通常不夠準確。

DeepMind公司的研究人員將歸納偏差（inductive biases）注入機器學習模型，基于數據模擬，開發出通用框架——GNS模型。該模型以相互作用的粒子形成的網絡來呈現場景，這些粒子相互傳遞有關其位置、速度和材料特性的信息。通過學習，模型可以準確地模擬液體、固體與其他可變形材料相互作用的各種物理系統。

研究人員進一步探究了GNS模型在同時包含水、沙子和膠狀物體這三種不同復雜物理材料情況下的模擬方式。這些材料的運動方式截然不同。在以往大多數模擬器中，模擬不同材料需要單獨的模型，甚至使用完全不同的模擬算法。

通過反復比較自身與傳統物理模擬器的預測值，GNS模型能夠學習信息傳遞與粒子相互作用的方式。訓練后，其預測范圍可以推廣到模型訓練時從未出現場景，或者添加更多障礙物（如增加坡道或搖動盒子）的情況。

新模型具有更高的準確性與通用性

據Science報道，盡管GNS模型比較簡單，但與其他類似的模型相比，它在歸納各種現象時更加準確。

美國麻省理工學院（MIT）的研究團隊曾于2018年開發了一種基于深度學習的粒子模擬器系統。該系統能夠預測機器與固體或液體的相互作用。創新之處是“粒子交互網絡”（DPI Nets），可以捕捉粒子的復雜行為。

在模擬固體盒子在水上漂浮時，GNS模型在DPI模型的基礎上進行優化，利用相對編碼器（relative ENCODER）加強噪音訓練，增強了自主性。

研究人員表示，GNS模型擁有計算遠程相互作用的能力、空間不變性的歸納偏差以及能夠減少模擬長軌跡上誤差累積的訓練程序，因此比DPI模型利用范圍更廣，有更強的通用性。

GNS的一大用途是制作具有較高逼真度的特效，例如模擬海嘯、地震等大型災難場景用于電影制作。此外，研究人員希望該模型可以幫助機器人推理、預測周圍的環境，從而使機器人可以及時避開系統設定之外的障礙物。

為了實現對傳統模擬器的超越，研究人員認為在未來應該進一步研究如何更高效地實現GNS計算，并開發更加完善的并行計算硬件。

同時，研究人員認為，通過嚴格優化逆向推理，模擬器可能有助于解決反問題。

“從更廣泛的意義上看，此次的研究成果是向開發更為復雜的生成模型邁進的關鍵一步。”研究人員在論文中表示。