Les chercheurs atteignent une nouvelle référence en matière d’IA pour l’infographie
Les simulations infographiques peuvent représenter plus précisément des phénomènes naturels tels que les tornades, les phénomènes sous-marins, les tourbillons et les mousses liquides grâce aux progrès réalisés dans la création de réseaux neuronaux d’intelligence artificielle (IA).
Travaillant avec une équipe multi-institutionnelle de chercheurs, le professeur adjoint de Georgia Tech, Bo Zhu, a combiné des simulations infographiques avec des modèles d'apprentissage automatique pour créer des simulations améliorées de phénomènes connus. Cette nouvelle référence pourrait amener les chercheurs à construire des représentations d’autres phénomènes qui n’ont pas encore été simulés.
Zhu est co-auteur de l'article « Fluid Simulation on Neural Flow Maps ». Le groupe d'intérêt spécial en infographie et technologie interactive de l'Association for Computing Machinery (SIGGRAPH) lui a décerné le prix du meilleur article en décembre lors de la conférence SIGGRAPH Asia à Sydney, en Australie.
L'article est publié dans Transactions ACM sur les graphiqueset le texte intégral est accessible sur le serveur de préimpression arXiv.
Les auteurs affirment que ces progrès pourraient être aussi importants pour les simulations infographiques que l’introduction des champs de radiance neuronale (NeRF) l’a été pour la vision par ordinateur en 2020. Présenté par des chercheurs de l’Université de Californie à Berkley, de l’Université de Californie à San Diego et de Google. , les NeRF sont des réseaux de neurones qui convertissent facilement des images 2D en scènes navigables 3D.
Les NeRF sont devenus une référence parmi les chercheurs en vision par ordinateur. Zhu et ses collaborateurs espèrent que leur création, des cartes de flux neuronaux, pourra faire de même pour les chercheurs en simulation en infographie.
« Une question naturelle à se poser est la suivante : l'IA peut-elle fondamentalement surmonter les lacunes des méthodes traditionnelles et permettre un saut générationnel dans la simulation, comme elle l'a fait pour le traitement du langage naturel et la vision par ordinateur ? » » dit Zhu. « La précision de la simulation a constitué un défi important pour les chercheurs en infographie. Aucun travail existant n'a combiné l'IA et la physique pour produire des résultats de simulation haut de gamme qui surpassent les schémas traditionnels en termes de précision. »
En infographie, les pipelines de simulation sont l’équivalent des réseaux de neurones et permettent aux simulations de prendre forme. Ils sont traditionnellement construits au moyen d’équations mathématiques et de schémas numériques.
Zhu a déclaré que les chercheurs ont essayé de concevoir des pipelines de simulation avec des représentations neuronales pour construire des simulations plus robustes. Cependant, les efforts visant à atteindre une plus grande précision physique ont échoué.
Zhu attribue le problème à l'incapacité des pipelines à faire correspondre les capacités des algorithmes d'IA au sein des structures des pipelines de simulation traditionnels. Pour résoudre le problème et permettre à l'apprentissage automatique d'avoir une influence, Zhu et ses collaborateurs ont proposé un nouveau cadre qui repense le pipeline de simulation.
Ils ont nommé ces nouveaux pipelines des cartes de flux neuronaux. Les cartes utilisent des modèles d'apprentissage automatique pour stocker plus efficacement les données spatio-temporelles. Les chercheurs alignent ensuite ces modèles sur leur cadre mathématique pour obtenir une précision supérieure à celle des simulations de pipelines précédentes.
Zhu a déclaré qu'il ne pensait pas que l'apprentissage automatique devrait être utilisé pour remplacer les équations numériques traditionnelles. Ils devraient plutôt les compléter pour débloquer de nouveaux paradigmes avantageux.
« Au lieu d'essayer de déployer des techniques d'IA modernes pour remplacer les composants des pipelines traditionnels, nous avons co-conçu l'algorithme de simulation et la technique d'apprentissage automatique en tandem », a déclaré Zhu.
« Les méthodes numériques ne sont pas optimales en raison de leur capacité de calcul limitée. Les récentes capacités basées sur l'IA ont supprimé bon nombre de ces limitations. Notre tâche consiste à repenser les pipelines de simulation existants pour tirer pleinement parti de ces nouvelles capacités de l'IA. »
Dans l’article, les auteurs affirment que les conceptions algorithmiques autrefois inaccessibles pourraient ouvrir de nouvelles possibilités de recherche en infographie.
Les cartes de flux neuronaux offrent « une nouvelle perspective sur l’intégration de l’apprentissage automatique dans la recherche en simulation numérique pour l’infographie et les sciences informatiques », indique le document.
« Le succès des cartes de flux neuronaux est une source d'inspiration quant à la meilleure façon de combiner la physique et l'apprentissage automatique », a ajouté Zhu.
