本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 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」。

但現在，DeepMind和斯坦福等一眾科學家研究出了一款圖網絡模擬器——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習物理模擬器。

并且，這項研究最近還被頂刊 Science 收錄。

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

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

他們正是利用胡同學的太極，來生成2D和3D的挑戰場景，作為基線效果之一。

效果好到什么程度？Science在社交網絡評價說：

「好萊塢或許會投資這款模擬器吧」。

是你印象中的畫面了

我們人類通過「經驗」，說到一個場景時，能很快腦補出那種動態畫面。

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，AI通過「看」而預測得到的結果，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差異。

不難看出，GNS方法在細節處理上，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上，GNS的預測結果更加符合現實物理世界的效果。

那么，如此逼真的效果是如何做到的呢？

圖網絡模擬器模擬流體

傳統特效計算方法

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

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

經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效果；

而這兩種方法之外，還有一種被叫做SPH的～～古老～～經典方法，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，如果用神經網絡對它們進行訓練，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，并非通過大量力學計算得出，而是通過神經網絡模擬的。

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

圖網絡預測物體特效

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，轉變成它受到撞擊后的形態。

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模型dθ中，并將產生的一幀幀結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

關鍵來了，動力學模型dθ要怎么實現？

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。

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

而在處理器中，圖中各顆粒的關系會不斷發生變化，圖網絡學習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，連續起來就是模擬出的液體形態。

可以看見，無論是哪種物體形態，GNS預測的效果都與真值非常相近。

創新點

與之前一些模擬液體的神經網絡相比，GNS最大的改進在于，它將不同的物體類型，轉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、膠質物等）用不同特征區分，就能表現出它們的狀態。

相比之下，此前一個名為DLP的、基于神經網絡的液體模擬器，與GNS相比就過于復雜。

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上依舊非常優秀，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分別采用強化學習中Rollout和One-step兩種算法策略的均方誤差效果。（以及迭代次數、是否共享GN參數、連接半徑、訓練噪聲量、關聯/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。

2017年加入谷歌DeepMind團隊，研究主要集中在結構化方法、強化學習等。

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，他也有過自己創業的經歷，分別是信息科技服務公司Bit by Bit Computer Consulting和金融公司Community Capital的CEO。

在創業后和加入DeepMind之前，他還在計算機軟件公司Bloomsbury AI做了一年多的機器學習工程師。

Tobias Pfaff 是DeepMind的一名研究科學家，從事物理模擬和機器學習的交叉研究。

分別在蘇黎世聯邦理工學院和加州伯克利分校，完成博士和博士后的學習任務。

第四位共同一作是Rex Ying，目前在斯坦福大學攻讀博士學位，研究主要集中在開發應用于圖形結構數據的機器學習算法。

2016年以最高榮譽畢業于杜克大學，主修計算機科學和數學兩個專業。

……

最后，對于AI通過「看」來模擬如此復雜的流體運動，網友認為：

腦能模擬各種復雜運動，靠的就是神經網絡，而不是復雜的力學公式。

不僅如此，這項技術或許還大幅降低影視、游戲行業特效成本。

那么，這樣的技術，你看好嗎？