神经网络学习流体和烟雾的物理规律 | Two Minute Papers #118
Neural Network Learns The Physics of Fluids and Smoke | Two Minute Papers #118
频道:Two Minute Papers · 时长:5:26 · 发布:2017-01-08 · 播放:208771
简介
Two Minute Papers 介绍了一篇用卷积网络加速流体和烟雾模拟的论文。它将这种方法与早期的回归森林方法进行了对比。
HN 为什么推荐
它被引用为神经网络学习物理的早期例子,并在后来关于 AI 视频生成的讨论中被回忆起来。
中文字幕节选
亲爱的学者们,这是Károly Zsolnai-Fehér带来的两分钟论文。 这项工作仍在进行中,由 Google Brain研究团队的一名成员 以及来自了不起的纽约大学的几位研究人员共同完成。 目标是向神经网络展示大量流体和烟雾 模拟的视频片段, 让它学习其中的动力学原理, 以至于它能够继续并 预测一团烟雾的行为随时间会如何变化。 我们停止视频,它就能学会如何继续下去,如果你愿意这样理解的话。 这可真是我见过的最艰巨的任务之一。 本期节目的大部分内容不会涉及 这种方法的的技术细节,而是关于 这种技术的重要性和影响。 由于几乎所有时候,我们的节目 都是关于已经发表的作品,这也 提供了一个很好的案例研究,关于如何评估 和思考一个仍在进行中的研究项目的 优点和不足。 这绝对是一个有趣的视角,因为通常我们用神经网络来解决 那些否则几乎不可能解决的问题。 而在这里,神经网络被用来解决 我们已经知道如何解决的问题。 问题立刻浮现:为什么会有人费心去做这个? 我们至少有20集节目介绍了不同 种类的令人难以置信的流体模拟技术, 所以很明显,这是一个我们可以解决的问题。 然而,神经网络不仅能 正确地解决它,以至于结果 很容易与真实视频混淆,而且 更重要的是,算法的执行时间 对于合理规模的模拟来说只有几毫秒。 传统技术通常需要几分钟。 它做的是我们已经相当 清楚如何做的事情,但在许多方面做得更好。 非常喜欢这项工作背后的想法。 训练是一个预处理步骤,是一个漫长而艰巨的过程,只需要 做一次,之后查询 神经网络,即预测模拟中接下来 会发生什么,几乎立即运行。 无论如何,时间远少于计算 模拟中所有力和压力所需的时间,同时保持高质量的结果。 这就像为考试做准备, 可能需要数周时间,但当我们最终 在考场里时,如果我们准备充分, 就能迅速解决教授提出的那些简单问题。 我默默注意到,在我的大学时代, 我也在学习美丽的纳维-斯托克斯 方程,即使作为一个高度积极的学生, 也花了几个月才理解理论并写出我的第一个流体模拟器。 这个神经网络可以在几天内学会非常相似的东西。 多么令人震惊,我可以说,令人羞愧的启示。 请注意,这项工作尚未经过 同行评审,有一些与真实模拟的并排 比较来验证 算法的准确性,但在发表之前 需要更严格的分析。 经典手工技术的失败案例 更容易识别,因为 它们的数学描述可供审查。 对于神经网络来说,这部分 数学同样存在,但它 对人类来说并不直观,因此 更难评估它何时表现良好,何时预期会失效。 在评估任何 基于神经网络的学习算法所执行的任务时, 我们应该特别警惕这一事实。 目前,结果看起来相当令人放心, 甚至烟雾团从物体上反弹 回来的现象也被高保真地建模了。 有一项来自苏黎世联邦理工学院和 瑞士迪士尼研究部的松散相关工作, 列举差异对于这么短的视频来说 有点太技术性了,但我已经 把它包含在视频描述框中,
HN 上的讨论
来看看深度学习在加速复杂3D渲染中的一个应用。(Two Minute Papers)用体素锥体追踪打造惊艳的视频游戏画面 - [VIDEO] — visarga, 2017-01
这让我想起了7年前看过的一集《Two Minute Papers》,讲的就是这方面的研究:[VIDEO] — Fricken, 2024-07
线性逻辑非常有用,[LINK] Rust [0] 没有它就不会存在。奇怪的是,我认为编程语言设计的下一个突破将是让构建随时可用的[1]、增量式的[2]和简洁的[3]程序变得更容易。我们目前很难摆脱糟糕的容差带来的暴政。是不是可微分程序可以以一种不可微分程序无法做到的方式变得松散?你看过使用DNN进行物理模拟的研究吗?[4] [0] [LINK] [1] [LINK] [2] [LINK] [3] [LINK] [4] [VIDEO] — sitkack, 2018-01
相关视频
- David Silver 强化学习课程 - 第一讲:强化学习导论 · Google DeepMind · 1:28:12
- 为什么伟大无法被规划 — Kenneth Stanley · Machine Learning Street Talk · 2:46:27
- 高速机械手 · Hizook · 3:00
- Attention Is All You Need · Yannic Kilcher · 27:06
- RAAIS 2017 - Simon Knowles,Graphcore联合创始人兼CTO · The Research and Applied AI Summit - RAAIS · 35:44
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- 贝塞尔曲线之美 · Freya Holmér · 24:25
- 样条曲线的连续性 · Freya Holmér · 1:13:50
- Rgba 与 TBC 的 elevated | 4k intro(FullHD 1080p 演示场景 demo) · Demoscene High-Quality Videos (Annikras) · 3:36
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- 用数学绘制角色 · Inigo Quilez · 24:46
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- Wayland 和 X 背后的真实故事 - Daniel Stone (linux.conf.au 2013) · Mladen Mijatov · 45:35
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40