当科学家或特效师想模拟洪水来袭或小行星撞击的场景时，他们通常需要利用物理模拟器。但是制作能准确模拟自然现象的软件需要花费大量的时间精力，对专业知识也有很高要求。现在，研究人员开发出一款能够模拟复杂物理现象的人工智能模型。
近日，人工智能公司DeepMind在国际机器学习大会(ICML)上推出了一款基于图形网络的模拟器(GNS)，它可以真实地还原成千上万个不同材质粒子之间的相互作用，例如在一个盒子中扔入一捧沙或倒入一杯水，模拟形成的动画可以持续数千帧。
这项研究论文题为“Learning to Simulate Complex Physics with Graph Networks”，被ICML 2020收录。
大多数复杂物理现象模拟器的制造和使用成本很高，可能需要花费数年的时间，而且往往为提升准确性而牺牲通用性。高质量的模拟器需要耗费大量计算资源，因此无法进行大规模推广。由于对基本物理参数了解不足，即使最好的传统模拟器也通常不够准确。
DeepMind公司的研究人员将归纳偏差(inductive biases)注入机器学习模型，基于数据模拟，开发出通用框架——GNS模型。该模型以相互作用的粒子形成的网络来呈现场景，这些粒子相互传递有关其位置、速度和材料特性的信息。通过学习，模型可以准确地模拟液体、固体与其他可变形材料相互作用的各种物理系统。研究人员进一步探究了GNS模型在同时包含水、沙子和胶状物体这三种不同复杂物理材料情况下的模拟方式。这些材料的运动方式截然不同。在以往大多数模拟器中，模拟不同材料需要单独的模型，甚至使用完全不同的模拟算法。通过反复比较自身与传统物理模拟器的预测值，GNS模型能够学习信息传递与粒子相互作用的方式。训练后，其预测范围可以推广到模型训练时从未出现场景，或者添加更多障碍物(如增加坡道或摇动盒子)的情况。
新模型具有更高的准确性与通用性
据Science报道，尽管GNS模型比较简单，但与其他类似的模型相比，它在归纳各种现象时更加准确。
美国麻省理工学院(MIT)的研究团队曾于2018年开发了一种基于深度学习的粒子模拟器系统。该系统能够预测机器与固体或液体的相互作用。创新之处是“粒子交互网络”(DPI Nets)，可以捕捉粒子的复杂行为。
在模拟固体盒子在水上漂浮时，GNS模型在DPI模型的基础上进行优化，利用相对编码器(relative ENCODER)加强噪音训练，增强了自主性。
研究人员表示，GNS模型拥有计算远程相互作用的能力、空间不变性的归纳偏差以及能够减少模拟长轨迹上误差累积的训练程序，因此比DPI模型利用范围更广，有更强的通用性。
GNS的一大用途是制作具有较高逼真度的特效，例如模拟海啸、地震等大型灾难场景用于电影制作。此外，研究人员希望该模型可以帮助机器人推理、预测周围的环境，从而使机器人可以及时避开系统设定之外的障碍物。
为了实现对传统模拟器的超越，研究人员认为在未来应该进一步研究如何更高效地实现GNS计算，并开发更加完善的并行计算硬件。
同时，研究人员认为，通过严格优化逆向推理，模拟器可能有助于解决反问题。
“从更广泛的意义上看，此次的研究成果是向开发更为复杂的生成模型迈进的关键一步。”研究人员在论文中表示。
