神经模拟器

用神经网络从数据里学出来的模拟器，代替手写物理方程预测下一步。

神经模拟器指用神经网络从数据中学会「当前状态加一个动作，接下来会怎样」的模拟器，和靠手写物理方程的物理引擎相对。一条路线学物理量，如 DeepMind 在 ICML 2020 提出的图网络模拟器 GNS，把流体、刚体、可变形材料当作粒子来预测运动。另一条路线直接在画面上学，本质是动作条件的视频世界模型：UniSim（2023）从互联网和机器人数据学出交互式模拟器，在里面训练的策略可零样本上真机；1X 在 2024 年 9 月用数千小时 EVE 机器人数据训练世界模型来评测策略。它能吸收布料这类难建模的真实复杂性，但物体会变形消失、物理不守恒，长推演误差会累积。常用于策略评测、生成数据和想象中学习。

例子1X 世界模型：输入机器人起始画面和一串动作，生成之后的视频，据此比较不同版本策略谁更可能完成叠衣服、开门等任务。

也叫

学习型模拟器、神经仿真器、世界模型仿真器、Learned Simulator

相关

世界模型、UniSim、1X 世界模型、世界模型评测、物理引擎、想象中学习

来源

Learning to Simulate Complex Physics with Graph Networks (arXiv 2002.09405)
Learning Interactive Real-World Simulators (UniSim, arXiv 2310.06114)
1X World Model