ディープラーニングは物理システムのシミュレーションを変え、速度を最大20億倍に高めている。

この記事はAI新メディアQuantum Bit（公開アカウントID：QbitAI）より許可を得て転載しています。転載の際は出典元にご連絡ください。

大規模なゲームを頻繁にプレイすると、ゲーム内の物理エンジンの効果がどんどん良くなっていることに気付くでしょう。

例えば、ユービーアイソフトの新作ゲーム「ライダーズリパブリック」では、自転車が跳ね上げる泥、スケートボードの衝撃で変化する雪道や舞い散る雪片、キャラクターの姿勢に合わせて変化する服のシワなど、リアルなディテールがプレイヤーの没入感を高めています。

[[428340]]

しかし、ますます顕著になっている問題があります。

プレイヤーのゲーム グラフィックスに対する要求は常に高まっていますが、物理ソルバーの開発はボトルネックに遭遇しています。アルゴリズムの最適化の余地はあまりありません。今後、物理シミュレーションを高速化するために使用できる他の方法は何ですか?

Ubisoft は実際に AI を使った解決策を見つけました。

Ubisoft の AI 研究開発部門である La Forge は、2017 年に設立され、ゲーム開発における AI 技術の応用で多くの成果を上げています。

彼らは強化学習を使用してゲームの NPC のパス探索動作を最適化し、GAN を使用してさまざまな NPC の顔の形を生成しました (これで、『Watch Dogs Legion』には 900 万の採用可能な NPC がいると主張している理由がわかりましたね)。

ちなみに、La Forge 社はコード内のバグを素早く見つけられる AI も開発しました (ただし、まだバグはたくさん残っています)。

物理シミュレーションでは、シミュレーション対象の物体の過去3フレームの位置を入力としてニューラルネットワークに送り、次のフレームを予測しました。また、主成分分析（PCA）を使用して計算を簡素化し、最終的にさまざまな種類の物理シミュレーションの速度を300〜5000倍向上させました。

実際にゲームで大規模に採用されたという話は聞いていないが、このデータだけでも期待が持てそうだ。

特に、髪の毛の動きをシミュレートする「頭と肩の特殊効果」をオンにするとゲームが停止するのを経験したプレイヤー。

結局のところ、選択をするのは子供だけであり、大人は画質とフレームレートの両方を求めています。

計算ではなく予測

ゲームと映画の最大の違いはプレイヤーの参加です。

映画を制作する場合、固定画像のレンダリングに多くの時間を費やすために、多数のマシンが使用されることがあります。

しかし、ゲームはプレイヤーの操作に基づいて結果をリアルタイムで計算してフィードバックする必要があり、プレイヤー自身のマシンの計算能力にのみ依存します。

Ubisoft チームのニューラル ネットワークは、集中的な計算を予測に置き換え、一度トレーニングすれば、非常に少ないリソースですぐに結果を提供できます。

布のシミュレーションでは、10MB 未満のメモリとビデオ メモリが消費され、1 秒あたり 2000 フレーム以上が実現されます。

しかし、ニューラルネットワークのトレーニングには長い時間がかかりませんか?

そうです、トレーニングプロセスにかかる時間に加えて、トレーニングに必要な大量のデータを生成するのにもさらに多くの時間がかかります。

ただし、これらはゲーム開発フェーズ中にゲーム会社のコンピューティング リソースによって完了できる 1 回限りのタスクです。

つまり、計算の負担はランタイム プレーヤー自身のマシンからトレーニング サーバーに移されます。

ゲームキャラクターの動きについては、物理ソルバーは 1 秒あたり 3 フレームの速度でしか正確なデータを提供できませんが、ニューラル ネットワークの予測は 1 秒あたり 2,000 フレーム以上に達することができます。

このボクシングの動きを見ると、ちょっと『アサシン クリード』の雰囲気が漂ってきます。

ゲーム会社 Ubisoft に加えて、DeepMind も物理シミュレーションにニューラル ネットワークを使用することに興味を持っています。

彼らはグラフニューラルネットワークを使用し、物体の位置ではなく加速度を予測し、オイラー積分を使用して対応する速度と位置を計算しました。

このモデルを通じて、DeepMind は水、砂、粘性物質の動きをシミュレートすることに成功しました。

残念ながら、この研究はディープラーニング手法で何ができるかを示すことに重点を置いており、従来の解決方法と比較して予測速度の点で大きな利点はありません。

ノーベル賞を受賞した複雑なシステムにもシミュレーションが必要

計算方法にしろ予測方法にしろ、物体の移動過程をシミュレートしたわけですから、ゲームや映画・テレビの特殊効果を作る以外にも何か用途はあるのでしょうか？

そうです、物理シミュレーション アルゴリズムは科学研究のための強力なツールでもあります。

特に、今年のノーベル物理学賞は、気候科学や材料科学、高エネルギー物理学や天体物理学の分野における複雑系に授与されました。

研究対象となる物体は極めてマクロなものから極めてミクロなものまで様々であり、観察に長時間を要するものもあるため、実際の物体で実験を行うには多くの困難が伴います。

この目的のために、オックスフォード大学はディープ エミュレーター ネットワーク サーチ (DENSE) システムを開発し、10 の科学研究シナリオで物理シミュレーションの速度を最大 20 億倍向上させました。

そうです、 20億回です。

実は、それ以前は、科学研究シミュレーションにおける主流のアプローチは、ランダムフォレストやガウス過程などの従来の機械学習手法を使用してモデルを構築することでした。

まず、これらの方法では膨大な量のデータが必要であり、また手動で特徴を抽出する必要もあります。

多くの科学分野では、画像認識や NLP ほどデータを簡単に入手できないため、科学研究シミュレーションへの機械学習の活用は進んでいません。

限られたデータでシミュレーションを実行するために、オックスフォード大学が最初に考えたのは、畳み込みを使用してデータの特徴を自動的に抽出することでした。

しかし、微粒子から気候変動、天体の動きまで、さまざまなデータの種類には大きく異なるネットワーク構造が必要です。

彼らは最終的に、テンプレートに相当するニューラル ネットワーク スーパー アーキテクチャを設計しました。トレーニング中、ネットワークの重みを同時に更新し、特定の問題に適した構造を検索します。

△CNNスーパーアーキテクチャ

実験では、ノーベル物理学賞を受賞した気候シミュレーションを含む10 の科学的シミュレーション分野が選択されました。

1. 高エネルギー物理学における弾性X線トムソン散乱（XRTS）
2. 実験室天体物理学における光トムソン散乱（OTS）
3. 核融合エネルギー科学におけるトカマク端局在モード（ELM）診断
4. プラズマ中のX線発光分光法（XES）
5. 天体物理学における銀河ハロー中心の分布のモデル化
6. シャツキー海台高原の地震トモグラフィー (SeisTomo)
7. 気候科学における一般循環モデル（GCM）を用いた全球エアロゾル気候モデリング
8. 生物地球化学における中層および上層海洋の化学量論のモデリング (MOPS)
9. 中性子イメージング（ICF JAG）
10. 慣性核融合実験におけるスカラー測定 (ICF JAG スカラー)

最終的な結果は、従来の物理計算方法に比べて10 万～ 20 億倍の速度が実現されるというものです。

手動で設計されたニューラル ネットワークと比較して、検索されたネットワーク構造の収束速度も向上します。

このような強力な方法にも欠点がないわけではありません。

オックスフォード大学は、DENSE の 2 つの最大の制限は、多次元データ入力に適していないことと、出力の変動が大きい領域ではパフォーマンスが十分でないことだと考えています。しかし、DENSE は、高速コンピューティングを必要とする多くの研究分野に新しいソリューションを提供します。

今回ノーベル物理学賞を受賞した3人の科学者の主な研究は、1960年代から1980年代に発表されたものです。当時は、コンピューターの速度は現在よりもはるかに遅く、アルゴリズムは直接的な解法が主でした。

それでも、彼らはそれぞれの分野で画期的な業績を残しました。

今後はAI物理シミュレーションの力を借りて、さらなる研究成果が出てくることを期待しています。

ユービーアイソフトの論文: https://dl.acm.org/doi/10.1145/3309486.3340245
ビデオデモ: https://www.youtube.com/watch?v=yjEvV86byxg

DeepMind 論文: https://arxiv.org/abs/2002.09405
ビデオデモ: https://www.youtube.com/watch?v=h7h9zF8OO7E

オックスフォード論文:
https://arxiv.org/abs/2001.08055