用于物理系统的状态预测的方法、设备、介质和产品技术方案

根据本公开的实施例，提供了用于物理系统的状态预测的方法、设备、介质和产品。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；至少基于目标物理系统的多个物理单元各自的材料属性的目标值，确定多个物理单元各自的单元特征表示；以及通过至少将单元特征表示输入到神经网络，基于状态数据来确定目标物理系统在第二时间的状态。通过上述方案，可以显著提高神经网络的泛化能力。高神经网络的泛化能力。高神经网络的泛化能力。

【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 多个物理单元之间的相互作用关系；至少基于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，确定多个物理单元各自的单元特 征表示；以及通过至少将单元特征表示输入到神经网络，基于状态数 据来确定目标物理系统在第二时间的状态。
[0006]在本公开的第二方面，提供了一种电子设备。该设备包括至少一 个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一 个处理单元并且存储用于由至少一个处理单元执行的指令。指令在由 至少一个处理单元执行时使设备执行以下动作：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间的相互作 用关系；至少基于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，确定多个物理单元各自的单元特征表示；以及通过至少将单 元特征表示输入到神经网络，基于状态数据来确定目标物理系统在第 二时间的状态。
[0007]在本公开的第三方面，提供了一种用于状态预测的装置。该装置 包括网络获得单元，被配置为获得神经网络，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；状态获得单元，被配置为获得
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间的 相互作用关系；特征表示确定单元，被配置为至少基于目标物理系统 中的多个物理单元各自的材料属性的目标值，确定多个物理单元各自 的单元特征表示；以及状态确定单元，被配置为通过至少将单元特征 表示输入到神经网络，基于状态数据来确定目标物理系统在第二时间 的状态。
[0008]在本公开的第四方面，提供了一种计算机可读存储介质。介质上 存储有计算机程序，程序被处理器执行时实现第一方面的方法。
[0009]在本公开的第五方面，提供了一种计算机可读存储介质。该介质 上存储有计算机程序，计算机程序被处理单元执行时实现第一方面的 方法。
[0010]在本公开的第六方面，提供了一种计算机程序产品。该一种计算 机程序产品包括可由处理单元执行的计算机程序，计算机程序包括用 于执行第一方面的方法的指令。
[0011]应当理解，本
技术实现思路
部分中所描述的内容并非旨在限定本公开 的实施例的关键特征或重要特征，也不用于限制本公开的范围。本公 开的其它特征将通过以下的描述而变得容易理解。
附图说明
[0012]结合附图并参考以下详细说明，本公开各实施例的上述和其他特 征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记 表示相同或相似的元素，其中：
[0013]图1示出了本公开的实施例能够在其中实现的示例环境的示意 图；
[0014]图2示出了根据本公开的一些实施例的用于物理系统的状态预测 的过程的流程图；
[0015]图3示出了根据本公开的一些实施例的网络应用系统的示例结构 的框图；
[0016]图4示出了根据本公开的一些实施例的用于运行神经网络的示例 算法；
[0017]图5示出了根据本公开的一些实施例的用于建模物理系统的示例 有向图；
[0018]图6示出了根据本公开的一些实施例的用于物理系统的状态预测 的装置的框图；以及
[0019]图7示出了其中可以实施本公开的一个或多个实施例的计算设备 的框图。
具体实施方式
[0020]下面将参照附图更详细地描述本公开的实施例。虽然附图中示出 了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形 式来实现，而且不应该被解释为限于这里阐述的实施例，相反，提供 这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本 公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护 范围。
[0021]在本公开的实施例的描述中，术语“包括”及其类似用语应当理 解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至 少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至 少一个实施例”。术语“一些实施例”应当理解为“至少一些实施例”。 下文还可能包括其他明确的和隐含的定义。
[0022]如本文中所使用的，术语“模型”可以从训练数据中学习到相应 的输入与输出之间的关联，从而在训练完成后可以针对给定的输入， 生成对应的输出。模型的生成可以基
于机器学习技术。深度学习是一 种机器学习算法，通过使用多层处理单元来处理输入和提供相应输 出。神经网络模型是基于深度学习的模型的一个示例。在本文中，“模 型”也可以被称为“机器学习模型”、“学习模型”、“机器学习网 络”或“学习网络”，这些术语在本文中可互换地使用。
[0023]“神经网络”是一种基于深度学习的机器学习网络。神经网络能 够处理输入并且提供相应输出，其通常包括输入层和输出层以及在输 入层与输出层之间的一个或多个隐藏层。在深度学习应用中使用的神 经网络通常包括许多隐藏层，从而增加网络的深度。神经网络的各个 层按顺序相连，从而前一层的输出被提供作为后一层的输入，其中输 入层接收神经网络的输入，而输出层的输出作为神经网络的最终输 出。神经网络的每个层包括一个或多个节点(也称为处理节点或神经 元)，每个节点处理来本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：高伟豪，杨策，吴迪，王崇，
申请(专利权)人：脸萌有限公司，
类型：发明
国别省市：