【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、本说明书涉及使用机器学习模型来处理数据。
2、机器学习模型接收输入并且基于接收到的输入来生成输出,例如,预测输出。一些机器学习模型是参数模型并且基于接收到的输入和模型参数的值来生成输出。
3、一些机器学习模型是采用模型的多个层针对接收到的输入来生成输出的深度模型。例如,深度神经网络是一种深度机器学习模型,该深度机器学习模型包括输出层和一个或多个隐藏层,其各自对接收到的输入应用非线性变换(transformation)以生成输出。
技术实现思路
1、本说明书一般描述了在一个或多个位置的一个或多个计算机上实现为计算机程序的模拟系统,该模拟系统能够使用图神经网络来模拟物理环境在一系列时间步中的状态。具体而言,本说明书介绍了能够使用图神经网络在高分辨率设置中准确预测(模拟)广泛范围的物理环境的模拟系统。
2、所述技术的一些实施方式适用于特定的计算硬件。例如,描述了这样的技术,其使得基于网格(mesh)的模拟能够被划分成关于精细分辨率网格和粗糙分辨率网格的更新,由模拟系统使用这些网格来模拟物理环境的状态。这进而使得模拟系统能够利用包括较高和较低能力处理器的计算机系统,例如,在诸如flops(每秒浮点运算)的计算能力或可用工作内存方面,以最优地分配计算资源以用于关于精细分辨率和粗糙分辨率网格的更新。
3、在一个方面,提供了一种由一个或多个计算机执行的用于模拟物理环境的状态的方法。方法包括:对于多个时间步中的每个时间步:获得定义精细
4、在一些实施方式中,对于粗糙分辨率网格的每个节点,生成上采样网格包括:识别包括粗糙分辨率网格节点的精细分辨率网格的单元体(cell);识别精细分辨率网格中的一个或多个节点,所述一个或多个节点是包括粗糙分辨率网格节点的单元体的顶点;并且在上采样网格中,实例化粗糙分辨率网格的节点与精细分辨率网格中的每个所识别节点之间的相应边。
5、在一些实施方式中,方法进一步包括,对于上采样网格中的每个边:基于上采样网格中由所述边连接的一对节点之间的距离针对所述边来生成边嵌入。
6、在一些实施方式中,使用图神经网络层来处理定义上采样网格的数据以更新精细分辨率网格中每个节点的当前节点嵌入包括:基于以下各项来更新上采样网格中的每个边的边嵌入:(i)边的边嵌入,以及(ii)由边连接的粗糙分辨率网格中的第一节点和精细分辨率网格中的第二节点的相应节点嵌入;并且基于以下各项来更新精细分辨率网格中每个节点的节点嵌入:(i)精细分辨率网格中的节点的节点嵌入,以及(ii)将精细分辨率网格中的节点连接到粗糙分辨率网格中的对应节点的每个边的相应边嵌入。
7、在一些实施方式中,每个上采样块至少部分地基于粗糙分辨率网格中节点的当前节点嵌入来更新精细分辨率网格中节点的当前节点嵌入。
8、在一些实施方式中,图神经网络进一步包括一个或多个下采样更新块。每个下采样更新块被配置为:生成定义下采样网格的数据,所述下采样网格包括:(i)来自精细分辨率网格的每个节点和来自粗糙分辨率网格的每个节点,以及(ii)精细分辨率网格的节点和粗糙分辨率网格的节点之间的多个边;以及使用图神经网络层来处理定义下采样网格的数据以更新粗糙分辨率网格中每个节点的当前节点嵌入。
9、在一些实施方式中,生成下采样网格包括,对于精细分辨率网格的每个节点:识别包括精细分辨率网格的节点的粗糙分辨率网格的单元体;识别粗糙分辨率网格中的一个或多个节点,所述一个或多个节点是包括精细分辨率网格的节点的单元体的顶点;并且在下采样网格中,实例化精细分辨率网格的节点与粗糙分辨率网格的每个所识别的节点之间的相应边。
10、在一些实施方式中,方法进一步包括,对于下采样网格中的每个边:基于下采样网格中由所述边连接的一对节点之间的距离针对所述边来生成边嵌入。
11、在一些实施方式中,使用图神经网络层来处理定义下采样网格的数据以更新粗糙分辨率网格中每个节点的当前节点嵌入包括:基于以下各项来更新下采样网格中每个边的边嵌入:(i)边的边嵌入,以及(ii)由边连接的粗糙分辨率网格中的第一节点和精细分辨率网格中的第二节点的相应节点嵌入;并且基于以下各项来更新粗糙分辨率网格中每个节点的节点嵌入:(i)粗糙分辨率网格中的节点的节点嵌入,以及(ii)将粗糙分辨率网格中的节点连接到精细分辨率网格中的对应节点的每个边的相应边嵌入。
12、在一些实施方式中,每个下采样块至少部分地基于精细分辨率网格中的节点的当前节点嵌入来更新粗糙分辨率网格中的节点的当前节点嵌入。
13、在一些实施方式中,图神经网络已经在一组训练样例上进行了训练,其中,所述训练样例中的一个或多个训练样例是通过包括以下的操作来生成的:使用模拟引擎在一个或多个时间步上生成训练物理环境的状态的目标模拟,其中,目标模拟与由图神经网络处理的精细分辨率网格相比具有更高的分辨率;通过将目标模拟插值到与由图神经网络处理的精细分辨率网格相同的分辨率来生成目标模拟的更低分辨率版本;以及使用模拟网格的更低分辨率版本来生成训练样例。
14、在一些实施方式中,获得定义在当前时间步处的物理环境的状态的数据包括,对于精细分辨率网格中的每个节点:获得节点的一个或多个节点特征,其中,节点对应于物理环境中的位置,并且其中,节点特征表征物理环境中对应位置的状态;并且使用图神经网络的一个或多个神经网络层来处理节点特征以生成节点的当前嵌入。
15、在一些实施方式中,对于精细分辨率网格中的每个节点,节点的节点特征包括以下中的一个或多个:流体密度特征、流体粘度特征、压力特征或张力特征。
16、在一些实施方式中,图神经网络进一步包括解码器块,其中,确定在下一时间步处的物理环境的状态包括:处理精细分辨率网格中的每个节点的更新后的节点嵌入以生成本文档来自技高网...
【技术保护点】
1.一种由一个或多个计算机执行的用于模拟物理环境的状态的方法,所述方法包括,对于多个时间步中的每个时间步:
2.根据权利要求1所述的方法,其中,对于所述粗糙分辨率网格的每个节点,生成所述上采样网格包括:
3.根据权利要求2所述的方法,进一步包括,对于所述上采样网格中的每个边:
4.根据任一项前述权利要求所述的方法,其中,使用图神经网络层来处理定义所述上采样网格的数据以更新所述精细分辨率网格中每个节点的当前节点嵌入包括:
5.根据任一项前述权利要求所述的方法,其中,每个上采样块至少部分地基于所述粗糙分辨率网格中的节点的当前节点嵌入来更新所述精细分辨率网格中的节点的当前节点嵌入。
6.根据任一项前述权利要求所述的方法,其中,所述图神经网络进一步包括一个或多个下采样更新块,其中,每个下采样更新块被配置为:
7.根据权利要求6所述的方法,其中,生成所述下采样网格包括,对于所述精细分辨率网格的每个节点:
8.根据权利要求7所述的方法,进一步包括,对于所述下采样网格中的每个边:
9.根据权利要求6
10.根据权利要求6至9中任一项所述的方法,其中,每个下采样块至少部分地基于所述精细分辨率网格中的节点的当前节点嵌入来更新所述粗糙分辨率网格中的节点的当前节点嵌入。
11.根据任一项前述权利要求所述的方法,其中,所述图神经网络已经在一组训练样例上进行了训练,其中,所述训练样例中的一个或多个训练样例是通过包括以下的操作来生成的:
12.根据任一项前述权利要求所述的方法,其中,获得定义在所述当前时间步处的所述物理环境的所述状态的数据包括,对于所述精细分辨率网格中的每个节点:
13.根据权利要求12所述的方法,其中,对于所述精细分辨率网格中的每个节点,所述节点的节点特征包括以下中的一个或多个:流体密度特征、流体粘度特征、压力特征或张力特征。
14.根据权利要求12至13中任一项所述的方法,其中,所述图神经网络进一步包括解码器块,并且其中,确定在所述下一时间步处的所述物理环境的所述状态包括:
15.根据任一项前述权利要求所述的方法,其中,所述精细分辨率网格和所述粗糙分辨率网格各自为三维网格。
16.根据任一项前述权利要求所述的方法,其中,所述精细分辨率网格和所述粗糙分辨率网格各自为三角形网格。
17.根据任一项前述权利要求所述的方法,其中,所述精细分辨率网格和所述粗糙分辨率网格各自跨越所述物理环境。
18.根据任一项前述权利要求所述的方法,其中,对于每个时间步,所述精细分辨率网格中的节点数量大于所述粗糙分辨率网格中的节点数量。
19.根据任一项前述权利要求所述的方法,所述方法在包括第一处理器和第二处理器的计算系统上执行,其中,所述第二处理器具有比所述第一处理器更高的处理能力或内存,所述方法包括:
20.根据权利要求19所述的方法,当引用权利要求6时,进一步包括:
21.一种使用根据权利要求1至20中任一项所述的方法来控制机器人的方法,
22.一个或多个非暂时性计算机存储介质,所述一个或多个非暂时性计算机存储介质存储指令,所述指令在由一个或多个计算机执行时,使所述一个或多个计算机执行根据权利要求1至21中任一项所述的相应的方法的操作。
23.一种系统,包括:
...【技术特征摘要】
【国外来华专利技术】
1.一种由一个或多个计算机执行的用于模拟物理环境的状态的方法,所述方法包括,对于多个时间步中的每个时间步:
2.根据权利要求1所述的方法,其中,对于所述粗糙分辨率网格的每个节点,生成所述上采样网格包括:
3.根据权利要求2所述的方法,进一步包括,对于所述上采样网格中的每个边:
4.根据任一项前述权利要求所述的方法,其中,使用图神经网络层来处理定义所述上采样网格的数据以更新所述精细分辨率网格中每个节点的当前节点嵌入包括:
5.根据任一项前述权利要求所述的方法,其中,每个上采样块至少部分地基于所述粗糙分辨率网格中的节点的当前节点嵌入来更新所述精细分辨率网格中的节点的当前节点嵌入。
6.根据任一项前述权利要求所述的方法,其中,所述图神经网络进一步包括一个或多个下采样更新块,其中,每个下采样更新块被配置为:
7.根据权利要求6所述的方法,其中,生成所述下采样网格包括,对于所述精细分辨率网格的每个节点:
8.根据权利要求7所述的方法,进一步包括,对于所述下采样网格中的每个边:
9.根据权利要求6至8中任一项所述的方法,其中,使用图神经网络层来处理定义所述下采样网格的数据以更新所述粗糙分辨率网格中每个节点的当前节点嵌入包括:
10.根据权利要求6至9中任一项所述的方法,其中,每个下采样块至少部分地基于所述精细分辨率网格中的节点的当前节点嵌入来更新所述粗糙分辨率网格中的节点的当前节点嵌入。
11.根据任一项前述权利要求所述的方法,其中,所述图神经网络已经在一组训练样例上进行了训练,其中,所述训练样例中的一个或多个训练样例是通过包括以下的操作来生成的:
12.根据任一项前述权利要求所述的方法,其中...
【专利技术属性】
技术研发人员:梅雷·福尔图纳托,托比亚斯·普法夫,彼得·威尔斯伯格,亚历山大·普里策尔,彼得·威廉·巴塔利亚,
申请(专利权)人:渊慧科技有限公司,
类型:发明
国别省市:
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。