Une simulation physique basée sur l’apprentissage machine

Nous savons que l’apprentissage machine (Machine Learning) est un outil extrêmement puissant pour résoudre des problèmes complexes que nous ne savons pas résoudre par des moyens conventionnels. Le Machine Learning permet de résoudre efficacement des problèmes comme la classification des images. Il est beaucoup plus facile de collecter des données pour ce type de tâche que de définir des règles écrites manuellement pour un problème aussi complexe et difficile.

Mais qu’en est-il des problèmes que nous savons déjà résoudre? Existe-t-il une raison d’appliquer l’apprentissage machine aux problèmes pour lesquels nous avons déjà des solutions? Des tâches telles que la simulation physique, où les règles et les équations qui les régissent sont déjà bien connues et explorées? Il s’avère que dans de nombreux cas, il existe de bonnes raisons de le faire – des raisons liées à de nombreux concepts intéressants en informatique, tels que le compromis entre la mémorisation et le calcul, et un concept appelé complexité de Kolmogorov.

Chez Ubisoft La Forge, nous avons réussi à utiliser ces concepts pour appliquer avec succès l’apprentissage automatique à l’un de ces domaines déjà bien connus: la simulation physique. En combinant des quantités massives de données de formation avec l’apprentissage machine et une technique appelée simulation de sous-espace, nous avons réussi à produire une simulation physique pilotée par les données, adaptée pour les jeux vidéo. Elle est 300 à 5000 fois plus rapide que les simulations de physique classiques au prix de petites utilisation supplémentaire de mémoire. Pour plus de détails, consultez ici l’article complet de Daniel Holden, programmeur animation chez Ubisoft La Forge.