Исследование Google: как нейронные сети могут изменить игровые движки

 What If Game Engines Could Run on Neural Networks? This AI Paper from Google Unveils GameNGen and Explores How Diffusion Models Are Revolutionizing Real-Time Gaming

“`html

Революция в разработке игр: GameNGen от Google и применение моделей диффузии

В разработке игр с использованием искусственного интеллекта возникает значительная проблема – точная симуляция сложных интерактивных сред с использованием нейронных моделей. Традиционные игровые движки полагаются на ручные циклы, собирающие пользовательские вводы, обновляющие игровые состояния и отображающие визуальные элементы на высоких частотах кадров, что критично для поддержания иллюзии интерактивного виртуального мира. Воссоздание этого процесса с помощью нейронных моделей особенно сложно из-за проблем, таких как сохранение визуальной точности, обеспечение стабильности на протяжении длительных последовательностей и достижение необходимой производительности в реальном времени.

Текущие подходы к симуляции интерактивных сред с использованием нейронных моделей включают методы, такие как Обучение с подкреплением (RL) и модели диффузии. Техники, такие как World Models от Ha и Schmidhuber (2018) и GameGAN от Kim и др. (2020), были разработаны для симуляции игровых сред с использованием нейронных сетей. Однако эти методы сталкиваются с существенными ограничениями, включая высокие вычислительные затраты, нестабильность на длинных траекториях и низкое качество изображений. Например, GameGAN, хотя эффективен для простых игр, испытывает трудности с комплексными средами, такими как DOOM, часто производя размытые и низкокачественные изображения. Эти ограничения делают эти методы менее подходящими для приложений в реальном времени и ограничивают их применимость в более требовательных игровых симуляциях.

Исследователи из Google и Тель-Авивского университета представляют GameNGen – новый подход, который использует улучшенную версию модели Stable Diffusion v1.4 для симуляции сложных интерактивных сред, таких как игра DOOM, в реальном времени. GameNGen преодолевает ограничения существующих методов, используя двухфазный процесс обучения: сначала обучается RL-агент для игры в игру, генерируя набор траекторий игры; затем обучается генеративная модель диффузии на этих траекториях для предсказания следующего игрового кадра на основе прошлых действий и наблюдений. Этот подход использует модели диффузии для симуляции игр, обеспечивая высококачественный, стабильный и интерактивный опыт. GameNGen представляет собой значительное достижение в области игровых движков, демонстрируя, что нейронная модель может соответствовать визуальному качеству оригинальной игры при работе в режиме реального времени.

Разработка GameNGen включает двухэтапный процесс обучения. Сначала RL-агент обучается играть в DOOM, создавая разнообразный набор траекторий игры. Затем эти траектории используются для обучения генеративной модели диффузии, модифицированной версии Stable Diffusion v1.4, для предсказания последующих игровых кадров на основе последовательностей прошлых действий и наблюдений. Обучение модели включает параметризацию скорости для минимизации потерь диффузии и оптимизации предсказаний последовательности кадров. Для решения авторегрессионного сдвига, который ухудшает качество кадра со временем, в процессе обучения вводится шумовая дополнительность. Кроме того, исследователи настроили латентный декодер для улучшения качества изображения, особенно для игрового HUD (графического интерфейса пользователя). Модель была протестирована в среде VizDoom с набором данных из 900 миллионов кадров, используя размер пакета 128 и скорость обучения 2е-5.

GameNGen демонстрирует впечатляющее качество симуляции, производя визуальные элементы, практически неотличимые от оригинальной игры DOOM, даже на протяжении длительных последовательностей. Модель достигает пикового отношения сигнал-шум (PSNR) 29.43, сравнимого с потерями при сжатии JPEG, и низкого показателя сходства обученных визуальных патчей (LPIPS) 0.249, указывающего на высокую визуальную точность. Модель поддерживает высококачественный вывод на протяжении нескольких кадров, даже при симуляции длинных траекторий, с минимальным ухудшением со временем. Более того, подход демонстрирует устойчивость в поддержании игровой логики и визуальной последовательности, эффективно симулируя сложные игровые сценарии в реальном времени на 20 кадрах в секунду. Эти результаты подчеркивают способность модели обеспечивать высококачественную и стабильную производительность в симуляциях игр в реальном времени, предлагая значительный шаг вперед в использовании ИИ для интерактивных сред.

GameNGen представляет собой прорыв в симуляции игр с использованием ИИ, демонстрируя, что сложные интерактивные среды, такие как DOOM, могут быть эффективно симулированы с использованием нейронной модели в реальном времени с сохранением высокого визуального качества. Этот метод решает критические проблемы в области, объединяя RL и модели диффузии для преодоления ограничений предыдущих подходов. Способность работать на скорости 20 кадров в секунду на одном TPU и предоставлять визуальные элементы на уровне оригинальной игры делает GameNGen потенциальным сдвигом в развитии игр, где игры создаются и управляются нейронными моделями, а не традиционными движками на основе кода. Эта инновация может революционизировать разработку игр, делая ее более доступной и экономически эффективной.

“`

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект