本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。还记得前阵子火爆的SMEntertainment电屏风潮吗？人工制作这样的特效，可能要付出代价……好吧，毕竟号称“每一滴水都是粉丝贡献的钱”。但现在，DeepMind和斯坦福等科学家已经开发出图网络模拟器——GNS框架。AI只需要“看”场景中的流体就可以进行模拟。无论是流体、刚性固体还是可变形材料，GNS都能模拟得淋漓尽致。研究人员还声称，GNS框架是迄今为止最准确的通用学习物理模拟器。而且，这项研究最近被收录在顶级期刊《科学》上。这不禁让人想起，清华姚班毕业的胡元明开发的太极拳，不仅大大降低了CG特效的门槛，而且效果还是非常逼真的。在DeepMind和斯坦福大学的工作中，胡渊明的太极拳还是发挥了作用。他们使用胡氏太极生成2D和3D挑战场景作为基线效果之一。效果如何？Science在社交网络上评论道：“好莱坞可能会投资这个模拟器。”就是你印象中的画面。我们人类在谈论一个场景时，通过“经验”可以很快地组成那种动态的画面。那么，AI“脑补”的画面效果和你想象的一样吗？首先，有水落入玻璃容器的3D效果。和我们想象中的物理效果一模一样，有没有！左边的baseline方法叫做SPH（smoothedparticlehydrodynamics），是1992年提出的基于粒子的流体模拟方法。右边是AI通过“看见”预测的结果，就是研究人员提出的GNS方法.下面我们通过慢动作来看看两者的详细区别。不难看出，GNS方法在细节处理上更加细粒度，比如泼水，更接近我们的印象。当然，GNS不仅可以处理液体，还可以模拟其他状态的物体。例如，颗粒砂。和粘性物体。以上两种效果中的baseline方法是1995年提出的MPM（materialpointmethod），适用于相互作用的可变形材料。同样，在玻璃容器壁上散落的粒子细节方面，GNS的预测更符合真实的物理世界。那么，这样逼真的效果是如何实现的呢？GraphNetworkSimulatorSimulationFluid传统特效计算方式以前模拟真实物体需要大量的计算，上面提到的MPM就是其中之一。这种方法称为物质点法，将一块物质离散成非常多的粒子，计算空间导数，求解动量方程。MLS-MPM经过胡元明等人的改进后，模拟物体的速度有了很大的提高，比原来的MPM快了一倍左右。此外，一种称为PBD的方法可以计算和模拟漂浮在水面上的块的动态效果；除了这两种方法之外，还有一种~~古老~~经典的方法叫做SPH，对计算生成的水使用3D特效。与这些通过大量计算模拟出来的真实场景相比，如果用神经网络进行训练，是否能模拟出真实场景中物体被击中的效果，并且与这些方法产生的效果非常相似？网友们对这个想法感到惊讶。毕竟，人脑对流体或物体撞击的模拟，并不是通过大量的机械计算得到的，而是通过神经网络模拟出来的。基于这种想法，DeepMind使用GNS来训练这些生成的模型，以模拟真实场景中物体的特殊效果。图网络预测对象特效GNS模拟对象最基本的原理是将一个体积恒定的对象模型X分散成许多粒子，通过模拟器sθ将其转化为撞击形式。从下图可以看出，模拟器sθ的用处是将这块流体输入到一个动力学模型dθ中，利用生成的逐帧结果来更新物体变形的过程。只要模拟器更新时间够快，我们看到的就是玻璃盒子里被撞击变形的物体。△图片右边是模拟器生成的效果键。如何实现动态模型dθ？团队采用了“三步走”的方法，将模型分为三个部分：编码器、处理器和解码器。物体通过编码器后，编码器会将物体中原本分散的粒子结构化，形成一个“不可见”的图。在处理器中，图中粒子之间的关系会不断变化，图网络学习到的传递信息会在图上迭代M次。最后，解码器将从上次迭代得到的图中提取迭代后的动态信息Y。反馈给物体X后，物体中的粒子可以逐帧变化，连续的就是模拟的液体形态。可以看出，无论是何种物体形状，GNS预测的效果都与真实值非常相似。创新点与之前的一些模拟液体的神经网络相比，GNS最大的改进是将不同的物体类型转化为输入向量的一个特征。只需要区分具有不同特性的不同物体类型（如沙子、水、胶体等）来表达它们的状态。相比之下，与GNS相比，以前称为DLP的基于神经网络的液体模拟器过于复杂。同样是模拟各种流体模型，DLP需要不断保存粒子间的相对位移，甚至需要修改模型以满足不同的流体类型——所需的计算量太大。不仅如此，事实证明GNS模拟比基于DLP的模拟器更好。细节更出众。下面是GNS和基于DLP原理的增强版CConv模拟器的对比。与CConv相比，GNS在不同物体类型的模拟性能上还是很优秀的。下图是两者共同模拟漂浮在水面上的方块时产生的效果。可以看出，GNS生成的区块与真实值相同，在水中自由漂浮；相比之下，CConv生成的块在水的冲击下直接变形（被生命击倒）。如果使用与真实值的均方误差（MSE）进行比较，GNS在各种对象形式上都优于CConv。另外，下图展示了GNS??在强化学习中使用Rollout和One-step算法策略的均方误差效果。（以及迭代次数、是否共享GN参数、连接半径、训练噪声量、关联/独立编码器等）可以看出Rollout（后半部分）的效果比One要好很多——各方面都迈进了一步。.不仅如此，红色部分是GNS模型最终采用的策略。可以看出所有的策略都是最小化均方误差。这项研究的四位合著者主要是DeepMind和斯坦福大学之间的合作。论文有四位共同作者。△AlvaroSanchez-GonzalezAlvaroSanchez-Gonzalez的本科专业和硕士专业分别是物理和计算机。基于这样的背景，他在博士期间主要致力于利用计算机方法解决物理研究中的一些挑战。2017年加入谷歌DeepMind团队，主要研究方向为结构化方法和强化学习。△JonathanGodwinJonathanGodwin于2018年3月加入DeepMind，2019年11月晋升为高级研究工程师。在此之前，他也有自己的创业经历，先后担任信息技术服务公司BitbyBitComputerConsulting和金融公司CommunityCapital的CEO。创业后加入DeepMind之前，他还在计算机软件公司BloomsburyAI担任机器学习工程师一年多。△TobiasPfaffTobiasPfaff是DeepMind的研究科学家，从事物理模拟和机器学习交叉领域的研究。分别在苏黎世联邦理工学院和加州大学伯克利分校完成博士和博士后研究任务。△RexYing第四位合著者RexYing，目前在读博士。在斯坦福大学。他的研究重点是开发应用于图结构数据的机器学习算法。2016年以最高荣誉毕业于杜克大学，主修计算机科学和数学。……最后，对于AI通过“看”来模拟如此复杂的流体运动，网友认为大脑可以模拟各种复杂的运动，靠的是神经网络，而不是复杂的机械公式。不仅如此，这项技术还有可能大大降低影视和游戏行业的特效成本。那么，你喜欢这种技术吗？
