In deze korte spotlight willen we een volledig ander onderwerp tot onder jullie aandacht brengen; het gebruik van AI voor de optimalisatie van physics simulaties.

Een eerste paper die we hier zeker willen vermelden is "Subspace Neural Physics: Fast Data-Driven Interactive Simulation". De paper vindt u hier, en een video hier.

Deze paper bekijkt of het mogelijk is om met AI de physics simulaties van games minder intensief te maken. De auteurs zijn erin geslaagd om met een datagedreven methode hoogwaardige resultaten te genereren die verschillende grootteordes sneller waren dan de originele referentiesimulaties. Specifiek hebben ze zich gefocust op zaken cloth simulation en deformation. Zoals eerder vermeld slaagden ze hierin door het gebruik van een datagedreven methode, waar zeer veel referentie-simulaties op voorhand worden gedaan, en daarna het daarop getrainde model realtime in de game-context wordt gebruikt. 

Een tweede paper die we zeker willen vermelden is "Learning to Simulate Complex Physics with Graph Networks". De paper vindt u hier, en een aantal voorbeeldsimulaties vindt u hier.

Deze paper introduceert een framework voor het gebruik van machine learning voor het simuleren van fluid & particle simulations. Dit is op zich niets nieuws, want het optimaliseren van deze simulaties is iets waar o.a. de VFX-industrie al lang mee bezig is. Binnen de context van games kunnen we hier zeker een sterke link zien met de eerste paper, en zou het in theorie mogelijk moeten zijn om realistische, high-fidelity fluid simulation realtime in games te doen.

Het is duidelijk dat het gebruik van AI voor het optimaliseren van physics simulations een veelbelovende piste is, en we verwachten hier binnen de komende jaren meer werk rond te zien.