如果你经常玩大型游戏，你应该会发现游戏中的物理引擎越来越好。比如在育碧的新游戏《极限国度》中，自行车溅起的泥巴、滑板撞击和飞溅的雪花改变的雪道、随角色姿态变化的衣服褶皱等逼真细节让玩家感觉更有活力。身临其境。但是有一个问题越来越突出：玩家对游戏画面的要求一直在提高，而物理求解器的发展却遇到了瓶颈。算法优化空间不大。加速物理模拟??？育碧实际上已经找到了使用人工智能的方法。育碧的AI研发部门LaForge早在2017年就成立了，在将AI技术应用到游戏开发方面取得了不少成果。他们用强化学习来优化游戏NPC的寻路行为，用GAN来生成丰富的NPC面孔（要知道《看门狗军团》号称有900万可招募NPC）。顺便说一句，LaForge还开发了一种AI，可以快速找到代码中的错误（但仍然有很多错误）。在物理模拟中，他们将前三帧中被模拟物体的位置作为输入，馈入神经网络预测下一帧，并使用主成分分析（PCA）简化计算，最后将不同类型的物理模拟速度提高了300-5000倍。虽然没听说过在任何游戏中有大规模的实际应用，但光是这个数据就足以让人期待了。尤其是那些体验过模拟头发运动、游戏卡顿的“头肩效应”游戏的玩家。毕竟小孩子只会做选择，大人既要画质又要帧率。预测而不是计算游戏和电影最大的区别在于玩家的参与度。电影在制作过程中可以使用大型车队来消耗大量时间来渲染固定画面。但游戏需要根据玩家的操作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计算，经过训练后，只需要极少的资源就能快速给出结果。在布料模拟中，只消耗不到10mb的内存和显存，每秒可以给出2000多帧。但是神经网络的训练不是需要很长时间吗？是的，除了耗时的训练过程之外，生成训练所需的大量数据也需要更多的时间。但这些都是一次性的工作，在游戏开发阶段可以靠游戏公司的计算资源来完成。也就是说，计算的负担从运行时（Runtime）玩家自己的机器上转移到了训练服务器上。对于游戏角色的动作，物理求解器给出准确数据的速度只能达到每秒3帧，而神经网络的预测可以达到每秒2000多帧。看这拳击动作，有点像《刺客信条》。除了游戏公司育碧，DeepMind也对使用神经网络进行物理模拟感兴趣。他们使用图神经网络，他们预测的不是物体的位置而是加速度，然后使用欧拉积分计算出相应的速度和位置。通过这个模型，DeepMind成功地模拟了水、沙子和粘液的运动。但遗憾的是，这项研究更注重展示深度学习方法能做什么，在预测速度上与传统求解方法相比并没有太多优势。获得诺贝尔奖的复杂系统也需要模拟，无论是计算还是预测方法。既然模拟了物体的运动过程，是否可以用于游戏和影视特效之外的其他用途呢？是的，物理模拟算法也是科学研究的有力工具。特别是，今年的诺贝尔物理学奖授予了气候和材料科学领域的复杂系统，以及高能物理和天体物理学等领域。他们研究的对象要么特别宏观，要么特别微观，有的需要等很长时间才能观察一次。如果要用实物做实验，会遇到很多困难。为此，牛津大学开发了深度仿真器网络搜索（DENSE）系统，在10个科研场景下物理模拟速度提升高达20亿倍。你没看错，20亿次。原来，在此之前，科研仿真的主流做法是使用随机森林、高斯过程等传统的机器学习方法来建立模型。这些方法首先需要海量数据，并手动提取特征。在许多科学领域，数据不像图像识别或自然语言处理那样容易获取，因此将机器学习用于科学研究模拟一直进展缓慢。为了用有限的数据进行模拟，牛津大学首先想到了用卷积来自动提取数据特征。但是，从微观粒子到气候变化再到天体运行，不同类型数据适合的网络结构也大不相同。他们最终设计了一套神经网络超架构，相当于一个模板，在训练过程中同时更新网络的权重并搜索适合特定问题的结构。△CNN超级架构在实验中选取了10个科学模拟领域，其中包括获得诺贝尔物理学奖的气候模拟：1.高能物理中的弹性X射线汤姆逊散射（XRTS）2.实验室天体光学汤姆逊散射(OTS)物理学3聚变能源科学中的托卡马克边缘局部模式诊断(ELM)4等离子体中的X射线发射光谱学(XES)5银河晕中心分布的天体物理学建模6沙茨基海隆高原地震层析成像(SeisTomo)7全球气溶胶气候在气候科学中使用大气环流模型(GCM)进行建模生物地球化学中的远洋海洋化学计量建模(MOPS)9、中子成像(ICFJAG)10和惯性约束聚变实验中的标量测量(ICFJAGScalars)的最终结果为100,000比传统的物理计算方法快-20亿次。与人工设计的神经网络相比，搜索到的网络结构的收敛速度也有所提高。如此强大的方法并非没有缺点。牛津大学认为DENSE最大的两个局限是不适合多维数据输入，以及在输出变异性大的区域学习效果不好，但也可以看作是很多研究的新解决方案需要快速计算的字段。本次获得诺贝尔物理学奖的三位科学家的主要研究发表于1960年代至80年代。那时候电脑的速度比现在慢很多，算法主要是直接计算。尽管如此，他们都在各自的领域取得了突破。现在借助AI物理模拟，希望能有更多的研究成果不断涌现。育碧论文：https://dl.acm.org/doi/10.1145/3309486.3340245视频演示：https://www.youtube.com/watch?v=yjEvV86byxgDeepMind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
