
Italian: 
Cari compagni di studi, benvenuti a 'Pubblicazioni in Due Minuti' con Károly Zsolnai-Fehér.
Questo lavoro è ancora in corso ed è stato realizzato da uno dei membri del gruppo di ricerca "Google Brain"
e da numerosi ricercatori della fantastica 
Università di New York.
L' obiettivo era quello di mostrare a una rete neurale filmati di numerose simulazioni di liquidi e di fumo
per fargliene apprendere le dinamiche al punto da permettergli di continuare ed
intuire come cambierà nel tempo il comportamento di uno sbuffo di fumo.
Noi fermiamo il video ed essa impara come continuarlo.
Questa è una richiesta considerevole, 
se mai ne ho vista una.
La maggior parte di questo episodio non riguarderà i dettagli tecnici di questo metodo
ma l'importanza e le diramazioni di tale tecnica.
E siccome, quasi tutte le volte, i nostri episodi riguardano lavori già pubblicati,
è un ottimo caso di studio su come valutare e attribuire meriti e mancanze
di un progetto di ricerca che è ancora in elaborazione.

English: 
Dear Fellow Scholars, this is Two Minute Papers
with Károly Zsolnai-Fehér.
This piece of work is still in progress done
by one of the members of the Google Brain
research team and several researchers from
the amazing New York University.
The goal was to show a neural network video
footage of lots and lots of fluid and smoke
simulations, and have it learn how the dynamics
work, to the point that it can continue and
guess how the behavior of a smoke puff would
change in time.
We stop the video and it would learn how to
continue it, if you will.
Now that is a tall order if I've ever seen
one.
Most of this episode will not be about the
technical details of this method, but about
the importance and ramifications of such a
technique.
And since almost all the time, our episodes
are about already published works, it also
makes a great case study on how to evaluate
and think about the merits and shortcomings
of a research project that is still in the
works.

English: 
This definitely is an interesting take as
normally, we use neural networks to solve
problems that are otherwise close to impossible
to tackle.
Here, the neural networks are applied to solve
something that we already know how to solve.
And the question immediately comes to mind,
why would anyone bother to do that?
We've had the very least 20 episodes on different
kinds of incredible fluid simulation techniques,
so it is abundantly clear that this is a problem
that we can solve.
However, the neural networks does not only
solve it correctly in a sense that the results
are easily confused with real footage, but
what's more, the execution time of the algorithm
is in the order of a few milliseconds for
a reasonably sized simulation.
This normally takes several minutes with traditional
techniques.
It does something that we already know quite
well how to do, but it does it better in many
regards.
Loving the idea behind this work.

Italian: 
Questa è decisamente una impresa interessante perchè, solitamente, le reti neurali vengono usate per risolvere
problemi altrimenti quasi impossibili da afferrare.
Qui, le reti neurali vengono usate per risolvere un problema che sappiamo già come risolvere.
La domanda che sorge spontanea è: 
perchè mai qualcuno dovrebbe disturbarsi a farlo?
Abbiamo avuto come minimo 20 episodi su diversi tipi di incredibili simulazioni di liquidi
quindi è chiaro che è un problema che sappiamo risolvere.
Tuttavia, le reti neurali non solo risolvono il problema correttamente, nel senso che i risultati
sono facilmente scambiati per filmati reali,
ma inoltre il tempo d'esecuzione dell'algoritmo
è nell'ordine di pochi millisecondi per una simulazione di dimensione considerevole.
Questo richiede parecchi minuti con le tecniche tradizionali.
Fa qualcosa che sappiamo già fare abbastanza bene, ma lo fa meglio sotto molti aspetti.
 
Amo l'idea dietro a questo lavoro.

Italian: 
L'addestramento è un lungo e arduo processo di 
pre-elaborazione che deve essere fatto
una sola volta, dopodiché, richiamare la rete neurale, ovvero predire cosa avverà
in una simulazione, sarà quasi istantaneo.
In ogni caso, sempre in meno tempo che a calcolare tutte le forze e pressioni nella simulazione
mantenendo risultati di alta qualità.
E' come la preparazione per un'esame,
che può richiedere settimane, ma alla fine
in sede d'esame, se siamo ben preparati, impiegheremo poco tempo per rispondere alle deboli domande
che il professore ci ha rivolto.
Appunto brevemente che durante i miei anni di college stavo anche studiando la bellissima equazione di 
Navier-Stokes
e, nonostante fossi uno studente molto motivato,
impiegai parecchi mesi per comprendere la teoria
e scrivere la mia prima simulazione di fluidi.
Questa rete neurale può imparare qualcosa di molto simile nel giro di pochi giorni.
Che rivelazione stupefacente e, potrei dire, umiliante.
Questo lavoro non è ancora stato revisionato, 
ci sono delle comparazioni fianco a fianco

English: 
Training is a pre-processing step that is
a long and arduous process that only has to
be done once, and afterwards, querying the
neural network, that is, predicting what happens
next in the simulation runs almost immediately.
In any case, in way less time than calculating
all the forces and pressures in the simulation
while retaining high quality results.
It is like the preparation for an exam that
may take weeks, but when we're finally there
in the examination room, if we're well prepared,
we make short work of the puny questions the
professor has presented us with.
I am quietly noting that during my college
years, I was also studying the beautiful Navier-Stokes
equations and even as a highly motivated student,
it took several months to understand the theory
and write my first fluid simulator.
This neural network can learn something very
similar in a matter of days.
What a stunning and, may I say humiliating
revelation.
Note that this piece of work has not yet been
peer-reviewed, there are some side by side

English: 
comparisons with real simulations to validate
the accuracy of the algorithm, but more rigorous
analysis is required before publishing.
The failure cases for classical hand-crafted
techniques are easier to identify because
of the fact that their mathematical description
is available for scrutiny.
In the case of a neural network, this piece
of mathematics is also there, but it's not
intuitive for human beings, therefore it is
harder to assess when it works well and when
it is expected to break down.
We should be particularly vigilant about this
fact when evaluating a task performed by any
kind of neural network-based learning algorithm.
For now, the results look quite reassuring,
even the phenomenon of a smoke puff bouncing
back from an object is modeled with high fidelity.
There was a loosely related work from the
ETH Zürich and Disney Research in Switzerland,
and enumerating the differences is a bit too
technical for such a short video, but I have
included it in the video description box for
the more curious Fellow Scholars out there.

Italian: 
con simulazioni reali a validarne l'accuratezza, 
ma sono richieste
analisi più rigorose prima della pubblicazione.
Le falle nelle classiche tecniche "fatte a mano" sono facili da individuare
grazie al fatto che possiamo esaminare la loro descrizione matematica.
Nel caso delle reti neurali, questa componente matematica è comunque presente, ma non in una forma
intuitiva per gli esseri umani, quindi è difficile valutare quando funziona bene e quando
ci si aspetta che fallisca.
Dovremo stare molto attenti a questo fatto nel valutare il lavoro compito da qualunque
algoritmo basato su di rete neurale.
Per ora, i risultati sono abbastanza rassicuranti, persino il fenomeno di un sbuffo di fumo che rimbalza
su un oggetto è modellizzato con alta fedeltà.
C'è stata una pubblicazione lontanamente riconducibile dall' "ETH Zürich and Disney Research" in Svizzera
elencare le differenze è un po' troppo tecnico per un video così corto, ma le ho
incluse nella descrizione del video per i colleghi più curiosi tra voi.

Italian: 
Ora, potresti aver notato la mancanza del solito avviso nella miniatura del video ad indicare
che non ho preso alcuna parte al progetto, 
questa volta non è così.
Sento che è importante menzionare il mio coinvolgimento, anche se il mio ruolo in questo progetto
è stato estremamente ridotto.
Puoi  leggere a questo riguardo nella sezione dei riconoscimenti dell' articolo.
Non è necessario dire che tutti i crediti vanno agli autori dell'articolo per questa idea incredibile.
Immagino già ogni sorta di rappresentazione digitale del futuro, inclusi i futuri videogiochi
infusi di tali reti neurali per simulazioni fluide e di fumo in tempo reale.
E non ci dimentichiamo che questo è solo il primo passo, non abbiamo nemmeno parlato di altre
eventuali simulazioni fisiche con rilevamento di collisione, infrangimento di oggetti di vetro,
e appiccicose simulazioni di corpi molli.
Abbiamo anche visto i primissimi risultati di simulazioni luminose potenziate
con reti neurali.
Credo ormai sia evidente che sono estremamente emozionato al riguardo.

English: 
Now you might have noticed the lack of the
usual disclaimer in the thumbnail image, stating
that I did not take any part in the project,
which was not the case this time.
I feel that it is important to mention my
affiliation, even though my role in this project
has been extremely tiny.
You can read about this in the acknowledgements
section of the paper.
Needless to say, all the credit goes to the
authors of the paper for this amazing idea.
I envision all kinds of interactive digital
media, including the video games of the future
being infused with such neural networks for
real-time fluid and smoke simulations.
And let's not forget that this is only the
first step: we haven't even talked about other
kinds of perhaps learnable physical simulations
with collision detection, shattering glassy
objects, and gooey soft body simulations.
And we also have seen the very first results
with light simulation pipelines that are augmented
with neural networks.
I think it is now a thinly veiled fact that
I am extremely excited for this.

Italian: 
Questo articolo non è il punto di arrivo, ma il trampolino di lancio verso qualcosa di veramente notevole.
 
Grazie per la visione e per il generoso supporto, ci vediamo al prossimo video!

English: 
And this piece of work is not the destination,
but a stepping stone towards something truly
remarkable.
Thanks for watching and for your generous
support, and I'll see you next time!
