
English: 
Dear Fellow Scholars, this is Two Minute Papers
with Dr. Károly Zsolnai-Fehér.
If you have been watching this series for
a while, you know very well that I love learning
algorithms and fluid simulations.
But do you know what I like even better?
Learning algorithms applied to fluid simulations,
so I couldn’t be happier with today’s
paper.
We can create wondrous fluid simulations like
the ones you see here by studying the laws
of fluid motion from physics, and write a
computer program that contains these laws.
As you see, the amount of detail we can simulate
with these programs is nothing short of amazing.
However, I just mentioned neural networks.
If we can write a simulator that runs the
laws of physics to create these programs,
why would we need learning-based algorithms?
The answer is in this paper that we have discussed
about 300 episodes ago.

Russian: 
Уважаемые коллеги, это двухминутные доклады.
с доктором Карой Жолнаи-Фехером.
Если вы смотрели этот сериал в течение
какое-то время ты очень хорошо знаешь, что я люблю учиться
алгоритмы и моделирование жидкости.
Но знаете, что мне нравится еще больше?
Алгоритмы обучения, применяемые для моделирования жидкостей,
так что я не мог бы быть счастливее сегодняшнего
бумага.
Мы можем создавать чудесные симуляции жидкости, например
те, которые вы видите здесь, изучая законы
движения жидкости из физики, и напишите
компьютерная программа, содержащая эти законы.
Как видите, количество деталей, которые мы можем смоделировать
с этими программами просто потрясающе.
Однако я только что упомянул нейронные сети.
Если мы сможем написать симулятор, который запускает
законы физики для создания этих программ,
зачем нам алгоритмы, основанные на обучении?
Ответ содержится в этой статье, о которой мы говорили
около 300 серий назад.

Russian: 
Целью было показать видео нейросети.
кадры большого количества жидкости и дыма
моделирования, и пусть он узнает, как динамика
работать до такой степени, что она может продолжаться и
угадай, как повествует дымка
изменение с течением времени.
Мы останавливаем видео, и он узнает, как
продолжай, если хочешь.
Это определенно интересный подход, поскольку
обычно мы используем нейронные сети для решения
проблемы, которые в остальном почти невозможны
взяться за дело.
Например, это очень сложно, если не невозможно.
создать ручной алгоритм, который обнаруживает
кошки надежно, потому что мы действительно не можем писать
вниз по математическому описанию кошки.
Однако в наши дни мы легко можем научить
нейронная сеть для этого.
Но здесь эта задача принципиально иная.
Здесь нейронные сети применяются для решения
то, что мы уже знаем, как решить.
Тем более, что если мы используем нейронную сеть
чтобы выполнить эту задачу, мы должны его обучить,
Это долгий и трудный процесс.

English: 
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 over time.
We stop the video and it would learn how to
continue it, if you will.
This definitely is an interesting take as
normally, we use neural networks to solve
problems that are otherwise close to impossible
to tackle.
For instance, it is very hard, if not impossible
to create a handcrafted algorithm that detects
cats reliably because we cannot really write
down the mathematical description of a cat.
However, these days, we can easily teach a
neural network to do that.
But this task here is fundamentally different.
Here, the neural networks are applied to solve
something that we already know how to solve.
Especially given that if we use a neural network
to perform this task, we have to train it,
which is a long and arduous process.

English: 
I hope to have convinced you that this is
a bad, bad idea.
Why would anyone bother to do that?
Does this make any sense?
Well, it does make a lot of sense!
And the reason for that is that this training
step only has to be done once, and afterwards,
querying the neural network, that is, predicting
what happens next in the simulation runs almost
immediately.
This takes way less time than calculating
all the forces and pressures in the simulation
while retaining high quality results.
So, we suddenly went from thinking that an
idea is useless to being amazing.
What are the weaknesses of the approach?
Generalization.
You see, these techniques, including a newer
variant that you see here can give us detailed
simulations in real time or close to real
time, but if we present them with something
that is far outside of the cases that they
had seen in the training domain, they will
fail.
This does not happen with our handcrafted
techniques, only to AI-based methods.

Russian: 
Я надеюсь убедить вас, что это
плохая, плохая идея.
Зачем кому-то это нужно?
Есть ли в этом смысл?
Что ж, в этом есть большой смысл!
Причина в том, что это обучение
шаг нужно сделать только один раз, а затем,
запрос к нейронной сети, то есть предсказание
то, что происходит дальше в симуляции, проходит почти
немедленно.
Это занимает меньше времени, чем расчет
все силы и давления в симуляции
при сохранении качественного результата.
Итак, мы внезапно перестали думать, что
идея бесполезна, чтобы быть удивительной.
Каковы слабые стороны подхода?
Обобщение.
Видите ли, эти техники, в том числе более новые
вариант, который вы видите здесь, может дать нам подробную информацию
моделирование в реальном времени или близко к реальному
время, но если мы подарим им что-нибудь
это далеко за пределами тех случаев, когда они
видели в области обучения, они будут
потерпеть поражение.
Этого не происходит с нашими ручными
методы, только методы на основе ИИ.

Russian: 
Итак, приступим к этой новой технике, и вы
через мгновение увидим, что ключевое отличие
вот что его обобщающие возможности
просто поразительны.
Смотри сюда.
Прогнозируемые результаты соответствуют истинному моделированию
неплохо.
Давайте также посмотрим на это в замедленной съемке, чтобы мы
могу оценить это немного лучше.
Хорошо выглядит.
Но мы говорили о высшем обобщении,
так что насчет этого?
Ну, он также может обрабатывать моделирование песка и грязи,
так что это отличный шаг за рамки просто воды
и дым.
А теперь взгляните на это.
Это сцена с ящиками.
тренировался дальше.

English: 
So, onwards to this new technique, and you
will see in just a moment that a key differentiator
here is that its generalization capabilities
are just astounding.
Look here.
The predicted results match the true simulation
quite well.
Let’s look at it in slow motion too so we
can evaluate it a little better.
Looking great.
But, we have talked about superior generalization,
so what about that?
Well, it can also handle sand and goop simulations,
so that’s a great step beyond just water
and smoke.
And now, have a look at this one.
This is a scene with the boxes it has been
trained on.

Russian: 
А теперь давайте попробуем смоделировать
эволюция существенно разных форм.
Вот это да.
Он не только хорошо справляется с этими ранее
невидимые формы, но он также обрабатывает их взаимодействия
действительно хорошо.
Но это еще не все!
Мы также можем обучить его на крошечном домене с помощью
всего несколько частиц, и тогда он может
чтобы узнать общие концепции, которые мы можем повторно использовать
чтобы смоделировать гораздо больший домен, а также
с большим количеством частиц.
Фантастика!
Но это еще не все!
Мы можем тренировать его, показывая, как ведет себя вода
по этим водным трапам, а потом снимем
пандусы и посмотрите, понимает ли он, что это
имеет отношение ко всем этим частицам?
Да, это так!
А теперь давайте сделаем что-нибудь посложнее.
Я хочу больше пандусов!
Да!
А теперь еще больше пандусов!
Да!
Я люблю это!

English: 
And now, let’s ask it to try to simulate
the evolution of significantly different shapes.
Wow.
It not only does well with these previously
unseen shapes, but it also handles their interactions
really well.
But there is more!
We can also train it on a tiny domain with
only a few particles, and then, it is able
to learn general concepts that we can reuse
to simulate a much bigger domain, and also,
with more particles.
Fantastic!
But there is even more!
We can train it by showing how water behaves
on these water ramps, and then, let’s remove
the ramps and see if it understands what it
has to do with all these particles?
Yes, it does!
Now, let’s give it something more difficult.
I want more ramps!
Yes!
And now, even more ramps!
Yes!
I love it!

English: 
Let’s see if it can do it with sand too.
Here is the ramp for training, and let’s
try an hourglass now.
Absolute witchcraft.
And we are even being paid to do this.
I can hardly believe this!
The reason why you see so many particles in
many of these views, is because if we look
under the hood, we see that the paper proposes
a really cool graph-based method that represents
the particles and they can pass messages to
each other over these connections between
them.
This leads to a simple, general and accurate
model that truly is a force to be reckoned
with.
Now, this is a great leap in neural network-based
physics simulations, but of course, not everything
is perfect here.
Its generalization capabilities have their
limits.
For instance, over longer timeframes, solids
may get incorrectly deformed.
However, I will quietly note that during my
college years, I was also studying the beautiful

Russian: 
Посмотрим, сможет ли он это сделать и с песком.
Вот пандус для тренировок, и давайте
попробуйте песочные часы сейчас.
Абсолютное колдовство.
И нам даже за это платят.
Я с трудом могу в это поверить!
Причина, по которой вы видите так много частиц в
многие из этих взглядов, потому что если мы посмотрим
под капотом мы видим, что газета предлагает
действительно крутой графовый метод, который представляет
частицы, и они могут передавать сообщения
друг друга по этим связям между
их.
Это приводит к простому, общему и точному
модель, которая действительно является силой, с которой нужно считаться
с участием.
Это большой скачок в области нейронных сетей.
физическое моделирование, но, конечно, не все
здесь идеально.
Его обобщающие возможности имеют свои
пределы.
Например, на более длинных таймфреймах твердые
может неправильно деформироваться.
Однако спокойно отмечу, что во время моего
в студенческие годы, я тоже учился на красивых

Russian: 
Уравнения Навье-Стокса и даже
мотивированный студент, на это ушло несколько месяцев
разобраться в теории и написать свой первый
симулятор жидкости.
Вы можете проверить диссертацию и источник
код в описании видео, если вам интересно.
И увидеть, что эти нейронные сети могут
узнать что-то очень похожее в вопросе
дней ...
каждый раз, когда я думаю об этом, мурашки бегают
по моему позвоночнику.
Совершенно потрясающе.
Какое время быть живым!
Этот выпуск был поддержан Lambda.
Если вы исследователь или стартап, ищите
для дешевых вычислений GPU для запуска этих алгоритмов,
проверьте Lambda GPU Cloud.
Я говорил о рабочих станциях Lambda с GPU
в других видео, и я рад сообщить вам, что
они также предлагают облачные сервисы на GPU.
Облако Lambda GPU может обучить Imagenet работе с
Точность 93% менее чем за 19 долларов! Веб-сайт Lambda
IDE позволяет легко получить доступ к своему экземпляру прямо
в вашем браузере.

English: 
Navier-Stokes equations and even as a highly
motivated student, it took several months
to understand the theory and write my first
fluid simulator.
You can check out the thesis and the source
code in the video description if you are interested.
And to see that these neural networks could
learn something very similar in a matter of
days…
every time I think about this, shivers run
down my spine.
Absolutely amazing.
What a time to be alive!
This episode has been supported by Lambda.
If you're a researcher or a startup looking
for cheap GPU compute to run these algorithms,
check out Lambda GPU Cloud.
I've talked about Lambda's GPU workstations
in other videos and am happy to tell you that
they're offering GPU cloud services as well.
The Lambda GPU Cloud can train Imagenet to
93% accuracy for less than $19! Lambda's web-based
IDE lets you easily access your instance right
in your browser.

Russian: 
И, наконец, держитесь за свои бумаги, потому что
Lambda GPU Cloud стоит меньше половины
AWS и Azure.
Обязательно зайдите на lambdalabs.com/papers и
подпишитесь на один из их удивительных экземпляров GPU
Cегодня.
Мы благодарим Lambda за то, что помогли нам стать лучше
видео для вас.
Спасибо за просмотр и за вашу щедрость
поддерживаю, увидимся в следующий раз!

English: 
And finally, hold on to your papers, because
the Lambda GPU Cloud costs less than half
of AWS and Azure.
Make sure to go to lambdalabs.com/papers and
sign up for one of their amazing GPU instances
today.
Our thanks to Lambda for helping us make better
videos for you.
Thanks for watching and for your generous
support, and I'll see you next time!
