首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

最高提速20亿倍!AI引爆物理模拟引擎革命

新智元报道 来源:Reddit 编辑:David 【新智元导读】牛津大学一项研究表明,与传统物理求解器相比,机器学习模型可将物理模拟速度提升至最高20亿倍,距离解决困扰狄拉克的模拟计算难题可能向着成功更近了一步。 1929年,英国著名量子物理学家保罗·狄拉克曾说过,“大部分物理学和整个化学的数学理论所需的基本物理定律是完全已知的,困难只是这些定律的确切应用导致方程太复杂而无法解决”。狄拉克认为,所有物理现象都可以模拟到量子,从蛋白质折叠到材料失效和气候变化都是如此。唯一的问题是控制方程太复杂,无法在现实的时间尺度上得到解决。 这是否意味着我们永远无法实现实时的物理模拟?随着研究、软件和硬件技术的进步,实时模拟在经典极限下成为可能,这在视频游戏的物理模拟中最为明显。 对碰撞、变形、断裂和流体流动等物理现象进行需要大量的计算,但目前已经开发出可以在游戏中实时模拟此类现象的模型。当然,为了实现这一目标,需要对不同算法进行了大量简化和优化。其中最快的方法是刚体物理学。 为此假设,大多数游戏中的物理模型所基于的对象可以碰撞和反弹而不变形。物体由围绕物体的凸碰撞框表示,当两个物体发生碰撞时,系统实时检测碰撞并施加适当的力来加以模拟。此类表示中不发生变形或断裂。视频游戏“Teardown”可能是刚体物理学的巅峰之作。 Teardown 是一款完全交互式的基于体素的游戏,使用刚体物理解算器来模拟破坏 不过,刚体物理虽然有利于模拟不可变形的碰撞,但不适用于头发和衣服等可变形的材料。在这些场景中,需要应用柔体动力学。以下是4种按复杂性顺序模拟可变形对象的方法: 弹簧质量模型 顾名思义,这类对象由通过弹簧相互连接的质点系表示。可以将其视为 3D 设置中的一维胡克定律网络。该模型的主要缺点是,在设置质量弹簧网络时需要大量手动工作,且材料属性和模型参数之间没有严格的关系。尽管如此,该模型在“BeamNG.Drive”中得到了很好的实现,这是一种基于弹簧质量模型来模拟车辆变形的实时车辆模拟器。 BeamNG.Drive 使用弹簧质量模型来模拟车祸中的车辆变形 基于位置的动力学 (PBD):更适合柔体形变 模拟运动学的方法通常基于力的模型,在基于位置的动力学中,位置是通过求解涉及一组包含约束方程的准静态问题来直接计算的。PBD 速度更快,非常适合游戏、动画电影和视觉效果中的应用。游戏中头发和衣服的运动一般都是通过这个模型来模拟的。PBD 不仅限于可变形固体,还可以用于模拟刚体系统和流体。

03

ICML2022 | EQUIBIND:用于药物结合结构预测的几何深度学习方法

本文介绍一篇来自于麻省理工学院的Hannes Stärk、Octavian Ganea等人发表在ICML上的分子结构预测工作——《EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction》。预测类药物分子如何和特定靶蛋白结合是药物发现中的一个核心问题。已有方法依赖于评分、排序和微调等步骤对大量候选分子进行采样,计算非常昂贵。针对该问题,作者提出一种SE(3)等变的几何深度学习模型——EQUIBIND。该模型能直接快速地预测出受体结合位置以及配体的结合姿势和朝向。此外,作者将该模型同已有的微调技巧结合取得额外突破。最后,作者提出一种新型且快速的微调模型,它对于给定的输入原子点云基于冯·米塞斯角距离全局最小值的近似形式来调整配体可旋转键的扭转角,避免以前昂贵的差分进化能源最小化策略。

02

机械三维建模软件Inventor下载-Inventor 2023专业版安装教程

不同领域的应用证明了Inventor Professional软件融合了直观的三维建模环境与功能设计工具,可前者用于创建零件和装配模型,支持工程师专注于设计中的功能实现,并能创建智能零部件,如钢结构、传动机构、管路、电缆和线束等。值得注意的是Inventor分解视图和动画,在产品文档、手册和装配说明中使用复杂部件的分解视图和动画。从大部分从业者反应来看Inventor从参数化、自由形状和直接建模工具中选择正确的建模工具进行各项工作。大家都知道Inventor同样适用于钣金工艺,设计和准备复杂的钣金产品以供制造。不得不提及的是Inventor可以从运动连接库中选择并施加标准的运动连接,还有添加弹簧和阻尼器,定义每个连接处的摩擦系数等详细描述。

03

真的超越了波士顿动力!深度强化学习打造的 ANYmal 登上 Science 子刊

摘要:足式机器人是机器人学中最具挑战性的主题之一。动物动态、敏捷的动作是无法用现有人为方法模仿的。一种引人注目的方法是强化学习,它只需要极少的手工设计,能够促进控制策略的自然演化。然而,截至目前,足式机器人领域的强化学习研究还主要局限于模仿,只有少数相对简单的例子被部署到真实环境系统中。主要原因在于,使用真实的机器人(尤其是使用带有动态平衡系统的真实机器人)进行训练既复杂又昂贵。本文介绍了一种可以在模拟中训练神经网络策略并将其迁移到当前最先进足式机器人系统中的方法,因此利用了快速、自动化、成本合算的数据生成方案。该方法被应用到 ANYmal 机器人中,这是一款中型犬大小的四足复杂机器人系统。利用在模拟中训练的策略,ANYmal 获得了之前方法无法实现的运动技能:它能精确、高效地服从高水平身体速度指令,奔跑速度比之前的机器人更快,甚至在复杂的环境中还能跌倒后爬起来。

03

柔性机械臂:动力学建模具体方法

建立柔性机械臂动力学方程主要利用Newton-Euler和Lagrange方程这两个最具代表性的方程,另外比较常用的还有Kane方法等。为了建立动力学模型和控制的方便,柔性关节一般简化为弹簧。当连杆存在柔性时,常采用假设模态法、有限元法、有限段法等方法描述相应臂杆的柔性变形,然后再根据需要进行截断。柔性臂杆的变形常常简化为Euler-Bernulli梁来处理,即考虑到机械臂连杆的长度总比其截面尺寸大得多,运行过程中所产生的轴向变形和剪切变形相对于挠曲变形而言非常小,柔性臂杆只考虑挠曲变形,忽略轴向变形和剪切变形。因而从动力学角度看,每根柔性连杆都可视为一段梁。

055

DARPA资助研发的软体机器人“肌肉” 应用前景初显

来源:国防科技信息网,作者:中国航天系统科学与工程研究院 孙棕檀 【[据本站综合报道】过去十年里,软体机器人技术突飞猛进。各国研究人员均在尝试采用各种材料和设计,让原本僵硬不平整的机器人能以模仿生物体的方式弯曲和收缩,并更自然地与生物体进行互动。但软性材料通常强度或刚度性能不理想,应用受到限制;此外,软性材料的设计、制造和实现往往受到材料成本、工作原理、可扩展性和单自由度收缩驱动等因素的限制。 近日,在DARPA和美国国家科学基金会资助下,麻省理工学院计算机科学与人工智能实验室(CSAIL)和哈佛大学威斯研

09
领券