Simulator AI mengambil SOTA baharu dalam simulasi fizik!

Pembelajaran mesin menjadikan simulasi grafik komputer (CG) lebih realistik!

Kaedah ini dipanggil Neural Flow Maps (Neural Flow Maps, NFM), yang boleh mensimulasikan dengan tepat asap empat vorteks:

Ones yang lebih rumit

juga boleh dilaksanakan dengan lebih mudah

Anda mesti tahu bahawa dalam era aplikasi AI yang terbang ke mana-mana, simulasi fizik CG masih dikuasai oleh algoritma berangka tradisional.

△NFM meniru "leapfrog"

Walaupun aplikasi rangkaian saraf dalam CG boleh mencipta kesan visual yang mempesonakan, ia tidak boleh menggambarkan sifat fizikal secara tegas dan mantap.

△NFM mensimulasikan "titisan dakwat"

Itulah sebabnya simulasi fizikal berdasarkan rangkaian saraf masih dalam peringkat bukti konsep(kesan konsep), dan yang dihasilkan jauh dari SOTA.

Untuk menyelesaikan masalah kompleks ini, pasukan penyelidik dari Kolej Dartmouth, Institut Teknologi Georgia dan Universiti Stanford mencadangkan kaedah baharu yang dipanggil rajah aliran saraf. Mereka menggabungkan kelebihan rangkaian saraf dengan model fizikal lanjutan untuk mencapai kesan visual dan ketepatan fizikal yang tidak pernah berlaku sebelum ini.

Makalah ini diterbitkan dalam jurnal teratas ACM Transactions on Graphics (TOG), dan memenangi kertas terbaik SIGGRAPH Asia 2023.

Apakah rupa NFM?

Sudut pandangan teras pasukan penyelidik ialah: jika anda ingin menggunakan AI untuk menyelesaikan masalah fizikal dengan lebih baik, anda tidak boleh membenamkan modul yang boleh dipelajari secara terhad

ke dalam rangka kerja kaedah sedia ada (seperti SPH, cecair stabil) . Kaedah sedia ada disesuaikan dengan keupayaan kaedah berangka tradisional Oleh kerana itu, pembangunan pembelajaran mesin telah mencadangkan satu siri keupayaan baharu

(seperti ekspresi padat isyarat spatiotemporal NeRF)

, selalunya Tiada tempat untuk. ia dalam rangka kerja sedia ada. Oleh itu, penyelidik percaya bahawa daripada menggunakan AI pada rangka kerja sedia ada, adalah lebih baik untuk mereka bentuk rangka kerja matematik dan berangka baharu berdasarkan keupayaan baharu yang dicadangkan oleh AI, dengan itu memaksimumkan nilai keupayaan ini.

Model Fizikal

Berdasarkan idea di atas, penyelidik membina simulator bendalir di luar SOTA melalui

reka bentuk bersama

(reka bentuk bersama) fizik dan AI. Dalam bahagian fizik, NFM mula-mula menggunakan satu set

persamaan bendalir berasaskan impuls Dengan melakukan transformasi tolok

(transformasi tolok) pada persamaan Euler biasa, NFM mewujudkan medan halaju dan rajah alir (peta alir) . dan hubungan antara terbitan spatialnya. Dalam erti kata lain, selagi penyelesaian berangka yang tepat untuk peta aliran boleh diperolehi, medan halaju yang berkembang boleh dibina semula dengan tepat.

Untuk mengira peta aliran dengan paling tepat, NFM mencadangkan "kawad dua arah" yang direka dengan teliti (kawad dua arah)

algoritma berangka.

Algoritma ini adalah 3 hingga 5 susunan magnitud lebih tepat daripada algoritma sedia ada, tetapi ia juga memerlukan penyimpanan ruang-masa jangka panjang (spatiotemporal)

medan halaju.

Untuk simulasi 3D berskala besar, masih mencabar untuk menyimpan medan halaju bingkai tunggal, tetapi tidak boleh sama sekali untuk menyimpan medan halaju puluhan atau ratusan bingkai. Oleh itu, walaupun algoritma "perjalanan dua hala" adalah tepat, ia tidak boleh direalisasikan menggunakan cara tradisional.

Storan rangkaian saraf

NFM dengan bijak menggabungkan keperluan model fizikal berasaskan graf aliran untuk menyimpan medan halaju ketepatan tinggi dan perwakilan neural tersirat

(perwakilan saraf tersirat atau INR)

untuk pesakit berkualiti tinggi isyarat Keupayaan untuk memampatkan menjadikan kaedah simulasi yang sangat tepat tetapi tidak boleh dicapai dapat dilaksanakan.

INR biasanya hanya perlu dilatih sekali untuk setiap senario, tetapi NFM menggunakannya sebagai pembolehubah perantaraan untuk mengemas kini secara berterusan semasa proses simulasi, yang juga meletakkan keperluan yang lebih ketat pada prestasi INR.

Sehubungan dengan itu, NFM mencadangkan INR berprestasi tinggi baharu yang dipanggil SSNF.

Dengan merancang keadaan pembukaan setiap titik grid secara automatik dalam storan jarang ruang, dan skim pemprosesan masa berdasarkan polinomial Lagrange, SSNF mencapai kelajuan penumpuan yang lebih cepat dan nisbah mampatan yang lebih tinggi daripada kaedah seperti Instant-NGP dan Kplanes dan ketepatan storan yang lebih tinggi .

Memenangi SOTA

Hasil eksperimen menunjukkan bahawa sebagai simulator berasaskan AI, NFM dengan ketara mengatasi kaedah SOTA: bimocq, cecair kovektor dan MC+R.

Dalam eksperimen di mana pusaran titik 2D(pusaran titik) dikekalkan, purata ralat mutlak NFM telah dikurangkan sekurang-kurangnya 14 dan paling banyak 308 kali berbanding dengan tiga yang lain.

Dalam percubaan vorteks lompat 3D, NFM juga telah meningkatkan keupayaan penjimatan tenaga dengan ketara.

Pada masa yang sama, keupayaan berangka ini dicerminkan dalam simulasi fenomena semula jadi yang lebih baik: mengikut undang-undang fizik, dua pasang tiub pusaran dalam katak lompat tidak akan bergabung, manakala dua pasang pusaran tiub dalam NFM tidak akan bergabung selepas menyelesaikan 5 lompatan katak Masih terpisah selepas lompatan, kaedah kontras disepadukan sepenuhnya selepas paling banyak 3 penggunaan. .

Perlu diperhatikan pada tahap ini bahawa walaupun AI digunakan untuk memberikan lebih banyak butiran kepada bendalir, algoritma resolusi super AI sedia ada hanya boleh menambah baik butiran gambar, tetapi NFM telah membuat satu kejayaan dalam meningkatkan kuasa secara fizikal. .

Pautan projek: https://yitongdeng-projects.github.io/neural_flow_maps_webpage/

Atas ialah kandungan terperinci Simulator AI mengambil SOTA baharu dalam simulasi fizik!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!