本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

 是否還記得前陣子爆火的SM娛樂公司電子屏海浪？

人工制作那樣的特效，可能需要花費……嗯，畢竟被稱為「每滴水都是粉絲貢獻的錢」。

但現(xiàn)在，DeepMind和斯坦福等一眾科學(xué)家研究出了一款圖網(wǎng)絡(luò)模擬器——GNS框架，AI只需要“看著”場景中的流體，就能將它模擬出來。

無論是流體、剛性固體還是可變形材料，GNS都能模擬的惟妙惟肖。研究人員還稱：

GNS框架是迄今為止最精確的通用學(xué)習(xí)物理模擬器。

并且，這項研究最近還被頂刊 Science 收錄。

這也不禁讓人聯(lián)想起，清華姚班畢業(yè)生胡淵鳴開發(fā)的太極 （Taichi），不僅大幅降低了CG特效門檻，效果還是十分逼真。

而在 DeepMind 和斯坦福大學(xué)的這項工作中，胡淵鳴的太極，依然發(fā)揮了作用。

他們正是利用胡同學(xué)的太極，來生成2D和3D的挑戰(zhàn)場景，作為基線效果之一。

效果好到什么程度？Science在社交網(wǎng)絡(luò)評價說：

「好萊塢或許會投資這款模擬器吧」。

是你印象中的畫面了

我們?nèi)祟愅ㄟ^「經(jīng)驗」，說到一個場景時，能很快腦補出那種動態(tài)畫面。

那么AI「腦補」出來的畫面效果，是否和你想象的一樣呢？

首先，是水落入玻璃容器中的3D效果。

和我們想象中的物理效果一模一樣，有木有！

左側(cè)的基線方法叫做SPH （smoothed particle hydrodynamics），這是1992年提出的一種基于顆粒的模擬流體的方法。

而右側(cè)，AI通過「看」而預(yù)測得到的結(jié)果，就是研究人員提出來的GNS方法。

來看下二者在慢動作下的細節(jié)差異。

不難看出，GNS方法在細節(jié)處理上，例如濺起的水花，更加細粒度，也更逼近我們印象中的樣子。

當然，GNS不僅能夠處理液體，還能夠模擬其他狀態(tài)的物體。

例如，顆粒狀的沙子。

還有粘性的物體。

上面兩個效果中的基線方法是MPM （material point method），1995年提出，適用于相互作用的可變形材料。

同樣，在顆粒散落在玻璃容器壁上的細節(jié)上，GNS的預(yù)測結(jié)果更加符合現(xiàn)實物理世界的效果。

那么，如此逼真的效果是如何做到的呢？

圖網(wǎng)絡(luò)模擬器模擬流體

傳統(tǒng)特效計算方法

此前，對于真實物體的模擬，需要通過大量計算來實現(xiàn)，上文中提到的MPM就是其中的一種。

這種方法被稱為物質(zhì)點法（Material Point Method），將一塊材料離散成非常多的顆粒，并計算空間導(dǎo)數(shù)和求解動量方程。

經(jīng)過胡淵鳴等人改進的MLS-MPM，模擬物體的速度有了很大的提升，相比于原來的MPM快了兩倍左右。

除此之外，一種名為PBD的方法，可以計算模擬出一個方塊漂浮在水上的動態(tài)效果；

而這兩種方法之外，還有一種被叫做SPH的～～古老～～經(jīng)典方法，用于計算生成水的3D特效。

相比于這些采用大量計算模擬出來的真實場景，如果用神經(jīng)網(wǎng)絡(luò)對它們進行訓(xùn)練，是不是能模擬出物體在真實場景中受到撞擊的效果，而且和用這些方法生成的效果非常相似？

網(wǎng)友對這樣的想法感到驚奇，畢竟，人腦對于流體或是物體撞擊效果的模擬，并非通過大量力學(xué)計算得出，而是通過神經(jīng)網(wǎng)絡(luò)模擬的。

DeepMind在這樣的想法上，采用了GNS對生成的這些模型進行訓(xùn)練，用于模擬物體在真實場景下的特效。

圖網(wǎng)絡(luò)預(yù)測物體特效

GNS模擬物體最根本的原理，是將一塊體積不變的物體模型X，分散成許多顆粒，并通過一個模擬器sθ，轉(zhuǎn)變成它受到撞擊后的形態(tài)。

從下圖可見，模擬器sθ的用處，是將這塊流體輸入到一個動力學(xué)模型dθ中，并將產(chǎn)生的一幀幀結(jié)果用于更新物體變形的過程。

只要模擬器更新的時間夠快，我們看見的就是這塊物體在玻璃盒中受到撞擊、不斷變形的樣子。

△ 圖右為模擬器生成的效果

關(guān)鍵來了，動力學(xué)模型dθ要怎么實現(xiàn)？

團隊采用了“三步走”的方法，將模型分為編碼器、處理器和解碼器三部分。

一塊物體經(jīng)過編碼器后，編碼器會將物體中原本分散的各顆粒架構(gòu)起來，組成一個“看不見的”圖。

而在處理器中，圖中各顆粒的關(guān)系會不斷發(fā)生變化，圖網(wǎng)絡(luò)學(xué)習(xí)得到的傳遞信息將會在圖上迭代M次。

最后，解碼器會將迭代好的動力學(xué)信息Y，從最后一次迭代出的圖中提取出來。

反饋回物體X上后，物體中的顆粒便能一進行一幀幀改變，連續(xù)起來就是模擬出的液體形態(tài)。

可以看見，無論是哪種物體形態(tài)，GNS預(yù)測的效果都與真值非常相近。

創(chuàng)新點

與之前一些模擬液體的神經(jīng)網(wǎng)絡(luò)相比，GNS最大的改進在于，它將不同的物體類型，轉(zhuǎn)變成了輸入向量的一個特征。

只需要將不同的物體類型（例如沙子、水、膠質(zhì)物等）用不同特征區(qū)分，就能表現(xiàn)出它們的狀態(tài)。

相比之下，此前一個名為DLP的、基于神經(jīng)網(wǎng)絡(luò)的液體模擬器，與GNS相比就過于復(fù)雜。

同樣是模擬各種流體模型，DLP則需要不斷地保存顆粒之間的相對位移，甚至需要修改模型來滿足不同的流體類型——所需要的運算量過于龐大。

不僅如此，GNS的模擬效果竟然還比基于DLP的模擬器更好。

細節(jié)更出眾

下面是GNS與一款基于DLP原理的增強版CConv模擬器的效果對比。

與CConv相比，GNS在不同物體類型的模擬表現(xiàn)上依舊非常優(yōu)秀，下圖是二者共同模擬一個漂浮在水上的方塊時，所生成的效果。

可以看見，GNS生成的方塊和真值一樣，在水中漂浮自如；相比之下，CConv生成的方塊直接在水的沖擊下變了形(被生活擊垮)。

如果采用與真實值相比的均方誤差（MSE）進行對比的話，在各種物體形態(tài)下，GNS都要比CConv效果更佳。

除此之外，下圖展示了GNS分別采用強化學(xué)習(xí)中Rollout和One-step兩種算法策略的均方誤差效果。（以及迭代次數(shù)、是否共享GN參數(shù)、連接半徑、訓(xùn)練噪聲量、關(guān)聯(lián)/獨立編碼器等）

可見，采取Rollout的效果（下半部分）在各方面都要比采取One-step的效果好得多。

不僅如此，紅色部分是GNS模型最終采用的策略，可見，所有策略都將均方誤差降到了最低。

四位共同一作

這項研究主要由DeepMind和斯坦福大學(xué)合作。

論文的共同一作共四位。

Alvaro Sanchez-Gonzalez 本科和碩士攻讀的專業(yè)分別是物理和計算機，基于這樣的背景，在博士期間，他主要專注于使用計算機方法來解決物理研究中的一些挑戰(zhàn)。

2017年加入谷歌DeepMind團隊，研究主要集中在結(jié)構(gòu)化方法、強化學(xué)習(xí)等。

Jonathan Godwin在2018年3月加入DeepMind，并于2019年11月晉升為高級研究工程師。

此前，他也有過自己創(chuàng)業(yè)的經(jīng)歷，分別是信息科技服務(wù)公司Bit by Bit Computer Consulting和金融公司Community Capital的CEO。

在創(chuàng)業(yè)后和加入DeepMind之前，他還在計算機軟件公司Bloomsbury AI做了一年多的機器學(xué)習(xí)工程師。

Tobias Pfaff 是DeepMind的一名研究科學(xué)家，從事物理模擬和機器學(xué)習(xí)的交叉研究。

分別在蘇黎世聯(lián)邦理工學(xué)院和加州伯克利分校，完成博士和博士后的學(xué)習(xí)任務(wù)。

第四位共同一作是Rex Ying，目前在斯坦福大學(xué)攻讀博士學(xué)位，研究主要集中在開發(fā)應(yīng)用于圖形結(jié)構(gòu)數(shù)據(jù)的機器學(xué)習(xí)算法。

2016年以最高榮譽畢業(yè)于杜克大學(xué)，主修計算機科學(xué)和數(shù)學(xué)兩個專業(yè)。

……

最后，對于AI通過「看」來模擬如此復(fù)雜的流體運動，網(wǎng)友認為：

腦能模擬各種復(fù)雜運動，靠的就是神經(jīng)網(wǎng)絡(luò)，而不是復(fù)雜的力學(xué)公式。

不僅如此，這項技術(shù)或許還大幅降低影視、游戲行業(yè)特效成本。

那么，這樣的技術(shù)，你看好嗎？