图神经网络的微分物理模拟
这是用PyTorch编写的“的实现。
目前，基本的2D模拟效果很好。 我没有时间训练模型超过40万个时间段，因此当前结果没有像将网络训练到
20
M个时间段时那样完美。 在给出初始位置和五个先前速度后，以下是网络预测的一些示例：
如您所见，到目前为止，网络还没有完全学会尊重边界，并且由于某些原因，远离其他粒子的粒子会以奇怪的方向飞走（这可能是由于网络对没有粒子的粒子缺乏经验）边缘连接到他们）。 但是，它具有正确的想法，并且大多数模拟看起来都是合理的。
我预计该网络可能无需修改就可以使用3D数据集，但是训练这样的网络需要比我可以使用的tesla v100或RTX 3090更多的VRAM。 我确实有计划在某个时间在TPU上进行培训。 一旦有时间在2D水数据集上训练更多的10M纪元网络，我将发布更多的GIF（我尚未设置粒子嵌入）。
开始运行python -m gra
自动微分（Automatic Differentiation，AD）是一种对计算机程序进行高效准确求导的技术，一直被广泛应用于计算流
体
力学、大气科学、工业
设计
仿真
优化等领域。而近年来，机器学习技术的兴起也驱动着对自动微分技术的研究进入一个新的阶段。随着自动微分和其他微分技术研究的深入，其与编程语言、计算框架、编译器等领域的联系愈发紧密，从而衍生扩展出更通用的
可微
编程 概念。本系列文章将对自动微分技术和
可微
编程的研究和发展进行概括综述。
本文将分为三部分，主要框架如下：
常见计算机程序求导方法介绍
自动微分（Automatic Differentiation，AD）是一种对计算机程序进行高效准确求导的技术，一直被广泛应用于计算流
体
力学、大气科学、工业
设计
仿真
优化等领域。而近年来，机器学习技术的兴起也驱动着对自动微分技术的研究进入一个新的阶段。随着自动微分和其他微分技术研究的深入，其与编程语言、计算框架、编译器等领域的联系愈发紧密，从而衍生扩展出更通用的
可微
编程概念。本文章将对自动微分技术和
可微
编程的研究和发展进行概括综述。
本文章将分为三部分，主要框架如下：
常见计算机程序求导方法介绍
本客户端基于我的博客：
https
://blog.csdn.net/linyibin_123/article/det
ai
ls/132107948 开发的播放器下新增RTMP推流。
播放器可以支持软硬解码，截图、录像等功能，详细功能看该博客。本客户端支持读取文件解码后推流，也支持拉取网络流解码后进行推流。推流地址为前面搭建的RTMP流媒
体
服务器，推流成功后，通过VLC播放器从RTMP服务器上拉流下来播放。
