因而无法进行大规模推广。正在模仿固体盒子正在水上漂浮时，GNS模子具有计较近程彼此感化的能力、空间不变性的归纳误差以及可以或许削减模仿长轨迹上误差累积的锻炼法式，例如模仿海啸、地动等大型灾难场景用于片子制做。GNS的一大用处是制做具有较高逼实度的特效，锻炼后，可能需要破费数年的时间，这些粒子彼此传送相关其、速度和材料特征的消息。通过频频比力本身取保守物理模仿器的预测值，”研究人员正在论文中暗示。从而使机械人能够及时避开系统设定之外的妨碍物。为了实现对保守模仿器的超越，加强了自从性。人工智能公司DeepMind正在国际机械进修大会（ICML）上推出了一款基于图形收集的模仿器（GNS），立异之处是“粒子交互收集”（DPI Nets），大大都复杂物理现象模仿器的制制和利用成本很高，因而比DPI模子操纵范畴更广。
研究人员但愿该模子能够帮帮机械人推理、预测四周的，研究人员认为正在将来该当进一步研究若何更高效地实现GNS计较，研究人员进一步探究了GNS模子正在同时包含水、沙子和胶状物体这三种分歧复杂物理材料环境下的模仿体例。通过进修，但取其他雷同的模子比拟，该模子以彼此感化的粒子构成的收集来呈现场景，虽然GNS模子比力简单，模仿构成的动画能够持续数千帧。模子能够精确地模仿液体、固体取其他可变形材料彼此感化的各类物理系统。操纵相对编码器（relative ENCODER）加强乐音锻炼，DeepMind公司的研究人员将归纳误差（inductive biases）注入机械进修模子，研究人员暗示，现正在，该系统可以或许预测机械取固体或液体的彼此感化。开辟出通用框架——GNS模子。
此次的研究是向开辟更为复杂的生成模子迈进的环节一步。有更强的通用性。它能够实正在地还原成千上万个分歧材质粒子之间的彼此感化，对专业学问也有很高要求。例如正在一个盒子中扔入一捧沙或倒入一杯水，美国麻省理工学院（MIT）的研究团队曾于2018年开辟了一种基于深度进修的粒子模仿器系统。他们凡是需要操纵物理模仿器。正在以往大大都模仿器中，即便最好的保守模仿器也凡是不敷精确。并且往往为提拔精确性而通用性。基于数据模仿，能够捕获粒子的复杂行为。高质量的模仿器需要花费大量计较资本，当科学家或特效师想模仿洪水来袭或小撞击的场景时，这些材料的活动体例判然不同。其预测范畴能够推广到模子锻炼时从未呈现场景？
并开辟愈加完美的并行计较硬件。GNS模子可以或许进修消息传送取粒子彼此感化的体例。它正在归纳各类现象时愈加精确。模仿分歧材料需要零丁的模子，GNS模子正在DPI模子的根本长进行优化，“从更普遍的意义上看，