Algorithmes, Applications, Réseaux de neurones

Machine Learning pour la simulation d’environnements réalistes

Écrit par Elio Vicente · 3 min lecture >

L’IA a permis de faire des progrès spectaculaires dans de nombreux domaines : en médecine, en analyse d’image, en optimisation de systèmes complexes. Mais l’IA a également permis de grandes avancées pour vous, les afficionados de jeux vidéo, et je suis sûr que vous êtes nombreux à nous lire. Vous voulez toujours plus de réalisme et d’immersion lorsque vous jouez avec vos amis sur le dernier jeux vidéos du moment, et cela sans avoir à changer votre machine. Eh bien il se peut que l’IA vienne à votre rescousse !Disclaimer :bien que nous allons présenter certains algorithmes dans l’optique d’obtenir de meilleurs rendu dans les jeux vidéos, sachez que ces derniers sont utiles pour de nombreuses autres applications.Modélisation de fluides
Vous en avez marre de voir des animations très peu réaliste des fluides ? Eh bien il y a quelques années encore, on vous aurait répondu que la résolution des équations de Navier-Stokes est le principal frein. (Figure 1) De nombreux algorithmes ont été développés pour modéliser les fluides efficacement, mais aucun n’est capable de fournir des résultats réalistes rapidement. (Figure 2) Et c’est là qu’intervient l’intelligence artificielle. Un algorithme nommé MLFLIP, a permis de réduire drastiquement le temps nécessaire pour générer les simulations de fluides. Il a appris à prédire, le prochain état du système sur lequel il travaille en fonction de l’état actuel. Pour entrainer le réseau de neurones, les chercheurs ont utilisé un programme nommé FLIP. Ce programme, qui certes prend du temps à générer la simulation, a l’avantage d’être plutôt cohérent avec la réalité, et c’est ce qu’on cherche lorsqu’on entraine un réseau de neurones qui vise à produire une simulation réaliste 😊. Une fois le réseau de neurones entrainé, MLFLIP sait comment réagit un fluide et peut produire une animation réaliste très rapidement. (Figure 3)

Si vous souhaitez en savoir plus :•  Liquid splash modelling with neural network•  MantaflowUne autre perspective pour la modélisation de fluidesLa simulation du mouvement des fluides est une opération particulièrement coûteuse, comme vous devez vous en douter maintenant. Certains chercheurs ont choisi une approche assez particulière. Ils simulent le phénomène à basse résolution, puis utilisent plusieurs réseaux adverses génératifs (GANs en anglais) pour « upscale » (mettre à l’échelle) la résolution de la simulation. Notez bien que l’upscale a lieu non pas sur la résolution de l’image, mais bien sur la simulation toute entière. Cela permet de réduire considérablement le temps de calcul, car simuler un fluide à une certaine résolution, revient à simuler ce fluide à une résolution beaucoup plus faible puis à utiliser le réseau de neurones.

Si vous souhaitez en savoir plus :• GAN for fluid flow super-resolution

Modélisation de la physique des tissus

Les vêtements de votre personnage sont statiques ou ne bougent pas de manière réaliste ? Eh bien encore une fois, si l’on voulait quelque chose de réaliste, il faudrait recourir à une importante puissance de calcul. Cela rend donc impossible une animation en temps réel sur un ordinateur classique. Mais grâce à l’IA on se rapproche de plus en plus de l’animation en temps réel des tissus. En effet, les chercheurs ont développé des algorithmes utilisant l’IA qui sont maintenant capables de simuler rapidement les déformations des vêtements.

Si vous souhaitez en savoir plus :• https://arxiv.org/pdf/1808.03417.pdf• Modélisation de vêtements D’autres méthodes de constitution d’environnements réalistesOutre des phénomènes physiques réalistes, d’autres éléments du jeu contribuent à l’immersion. Par exemple, un jeu n’est rien sans des agents autonomes qui interagissent avec le joueur (PNJ, créatures, animaux). Pour une bonne immersion il est essentiel que ces agents soient le plus naturel possible, à la fois dans leurs mouvements mais également dans leur discours. Eh bien des travaux remarquables utilisant l’IA ont été produits concernant la simulation de mouvements réalistes sur des terrains accidentés. Ils permettent une simulation ultra réaliste en temps réel (calcul de l’ordre de la milliseconde) . Plus précisément dans la publication PhaseFunctioned Neural Networks for Character Control (illustrée par la figure 4), les chercheurs ont entrainé leur réseau de neurones sur une énorme base de données de motion capture, contenant différents types de mouvement (marche, course, saut, escalade). Une fois le réseau de neurones entrainé, le réseau est capable de prendre en entrée les actions du joueur et de les convertir en temps réel en mouvements réalistes.

Concernant le discours des PNJ nous avons tous expérimenté leur discours répétitif. Il serait envisageable, dans certains cas, de leur faire improviser un dialogue en fonction de la situation. Et c’est grâce aux progrès en synthèse vocale et en compréhension du langage naturel, illustrée par l’apparition des assistants vocaux, que l’on va pouvoir rendre réaliste les dialogues des PNJ. Pour l’improvisation de discours pour nos PNJ, on pourrait par exemple utiliser GTP-2. En effet, cet algorithme proposé par OpenAI, est capable de générer un discours cohérent à partir de seulement quelques mots. Je vous invite d’ailleurs à aller tester par vous-même les capacités d’improvisation de cet algorithme sur : https://talktotransformer.com/ . 
Si vous souhaitez en savoir plus :

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *