在模拟计算中，计算速度和精度之间总是存在权衡。由于物理求解器在过去几十年中得到了极大的优化，几乎没有空间进行逐步改进。

这就需要机器学习发挥作用了。来自牛津大学、育碧、DeepMind 和 ETH Zurich的最新研究表明，深度神经网络可以学习物理交互并对其进行多次模拟，速度快几个数量级。

通过生成数以百万计的模拟数据，用神经网络进行训练，在用训练过的模型来模拟物理求解器，就可以实现这样的提升。尽管离线过程在生成数据和训练模型方面会花费大量时间，但经过训练的神经网络在模拟物理模型的速度要快得多。

牛津大学的研究人员开发了一种称为深度仿真器网络搜索 (DENSE) 的方法，将模拟速度提升了最高20 亿倍，他们并已经在 10 个科学研究案例中证明了这一点，包括天体物理学、气候、聚变和高能物理学等领域。

目前，这个领域仍处于起步阶段，但未来肯定会发现提升物理模拟性能的基于机器学习的新技术。从量子力学和分子动力学到微观结构和经典物理学，有很多模型可以模拟多种规模和复杂度的物理现象，机器学习和物理学相结合，创造价值的潜在机会无疑是巨大的。

内容中包含的图片若涉及版权问题，请及时与我们联系删除