“`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.

“`