【技术实现步骤摘要】
用于物理系统的状态预测的方法、设备、介质和产品
[0001]本公开的示例实施例总体涉及人工智能(AI)领域,特别地涉及 用于物理系统的状态预测的方法、设备、介质和产品。
技术介绍
[0002]物理系统的动力学研究由于力的作用,物理系统的状态如何改 变。物理系统的动力学建模对于科学和工程的发展非常重要。举例而 言,在科学和工程研究中,可能期望模拟沙堆的运动,雪块在碰撞和 压缩后的变形,弹性体在跌落时变形,或者弹性体在不规则障碍物上 的有限元力学(Finite Element Mechanical,FEM)分析,等等。
[0003]建造高精度的物理模拟器需要广泛的领域知识和大量的工程工 作。然而,用于确保感知真实性的近似技术使得这样的模拟从长期来 看偏离了真实的规律。随着机器学习技术的不断演进,提出了基于神 经网络的物理模拟器(也称为“物理引擎”),用于从大量训练数据 中学习物理系统随时间的动态状态变化。已有研究证明机器学习技术 在改进物理系统的动力学建模方面的可行性。
技术实现思路
[0004]根据本公开的示例实施例,提供了一种用于物理系统的状态预测 的方案。
[0005]在本公开的第一方面,提供了一种用于状态预测的方法。该方法 包括:获得神经网络,神经网络已被训练为能够确定物理系统随时间 的状态变化,神经网络的训练数据指示多个物理系统在多个时间的状 态;获得目标物理系统在第一时间的状态对应的状态数据,状态数据 指示目标物理系统包括的多个物理单元、多个物理单元的材料属性和 多个物理单元之 ...
【技术保护点】
【技术特征摘要】
1.一种用于状态预测的方法,包括:获得神经网络,所述神经网络已被训练为能够确定物理系统随时间的状态变化,所述神经网络的训练数据指示多个物理系统在多个时间的状态;获得目标物理系统在第一时间的状态对应的状态数据,所述状态数据指示所述目标物理系统包括的多个物理单元、所述多个物理单元的材料属性和所述多个物理单元之间的相互作用关系;至少基于所述目标物理系统中的多个物理单元各自的材料属性的目标值,确定所述多个物理单元各自的单元特征表示;以及通过至少将所述单元特征表示输入到所述神经网络,基于所述状态数据来确定所述目标物理系统在第二时间的状态。2.根据权利要求1所述的方法,其中确定所述多个物理单元各自的单元特征表示包括:对于所述多个物理单元中的给定物理单元,确定所述多个物理系统中与所述物理单元具有相同材料属性的物理单元具有的多个值;以及如果所述给定物理单元的所述材料属性的目标值在所述多个值中的第一值与第二值之间,至少基于所述材料属性的所述第一值对应的第一特征表示以及所述第二值对应的第二特征表示,确定所述给定物理单元的单元特征表示。3.根据权利要求2所述的方法,其中确定所述给定物理单元的单元特征表示包括:基于所述目标值分别与所述第一值和所述第二值之间的差异,确定基于针对所述第一值的第一插值权重和针对所述第二值的第二插值权重;以及利用所述第一插值权重和所述第二插值权重来执行所述第一特征表示和所述第二特征表示的所述插值。4.根据权利要求1所述的方法,其中确定所述多个物理单元各自的单元特征表示还包括:还基于以下至少一项来确定所述多个物理单元各自的单元特征表示:所述多个物理单元各自在所述第一时间的速度,以及在所述第一时间分别被施加到所述多个物理单元的外力。5.根据权利要求2所述的方法,还包括:确定所述多个物理单元之间的所述相互作用关系各自的关系特征表示,每个关系特征表示至少基于具有相互作用关系的一对物理单元在所述第一时间的相对位置来确定。6.根据权利要求1所述的方法,其中确定所述目标物理系统在第二时间的状态包括:由所述神经网络确定从所述多个物理单元中的第一物理单元到第二物理单元的第一消息特征表示,所述第一消息特征表示表征所述第一物理单元对所述第二物理单元的影响;将所述第一消息特征表示的负值确定为从所述第二物理单元到所述第一物理单元的第二消息特征表示,所述第二消息特征表示表征所述第二物理单元对所述第一物理单元的影响;以及由所述神经网络至少基于所述第一消息特征表示和所述第二消息特征表示来确定所述目标物理系统在第二时间的状态。
7.根据权利要求1所述的方法,其中确定所述目标物理系统在第二时间的状态包括:确定所述目标物理系统中的所述多个物理单元各自在所述第二时间所处的位置。8.根据权利要求7所述的方法,其中所述多个物理单元包括处于所述物理系统的边界的至少一个边界物理单元,其中在确定所述多个物理单元在所述第二时间所处的位置时,所述至少一个边界物理单元的位置保持不变。9.根据权利要求1所述的方法,其中所述状态数据包括图数据,所述图数据包括多个节点和所述多个节点之间的多条有向边,所述多个节点分别表征所述目标物理系统中的所述多个物理单元,并且所述多条边分别表征所述多个物理单元之间的所述相互作用关系。10.根据权利要求9所述的方法,其中所述神经网络针对基于粒子的离散化物理系统进行训练,所述图数据包括基于动态最近邻图的数据,并且其中所述神经网络针对基于网格的离散化物理系统进行训练,所述图数据包括基于静态多尺度栅格图的数据。11.一种电子设备,包括:至少一个处理单元;以及至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令在由所述至少一个处理单元执行时使所述设备执行以下动作:获得神经网络,所述神经网络已被训练为能够确定物理系统随时间的状态变化,所述神经网络的训练数据指示多个物理系统在多个时间的状态;获得目标物理系统在第一时间的状态对应的状态数据,所述状态数据指示所述目标物理系统包括的多个物理单元、所述多个物理单元的材料属性和所述多个物理单元之间的相互作用关系;至少基于所述目标物理系统中的多个物理单元各自的材料属性的目标值,确定所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。