AI 词汇表
人工智能完整词典
物理信息神经网络
一种将基本物理定律作为学习约束整合进来的深度学习架构，能够在保持与物理原理一致的同时，通过神经推理加速预测。
AI实时模拟
一种通过用针对即时推理优化的预测学习模型替代传统求解器，从而以超过30fps的频率生成交互式物理行为的系统。
神经网络快速近似
一种利用神经网络在准瞬间内近似复杂微分方程解的技术，从而大幅降低传统模拟的计算成本。
数据引导物理建模
一种结合理论物理模型与经验数据学习的混合方法，旨在创建比纯解析方法或纯数据驱动方法更精确、更快速的模拟器。
动态状态预测
AI模型基于当前状态和所施加的力推断后续状态，从而预测复杂物理系统随时间演变的能力，而无需数值求解运动方程。
物理降维
将高维物理系统的状态空间压缩为低维表示同时保留基本动力学过程的方法，从而加速模拟计算。
可微分模拟
一种将模拟操作设计为可微分的范式，允许通过梯度下降优化物理参数，并基于观测数据进行逆向学习。
用于物理控制的强化学习
一种方法论，其中AI智能体通过加速的模拟试错来学习控制复杂的物理系统，随后将最优策略迁移至真实系统中。
物理程序化生成
通过生成式AI模型自动创建物理上连贯的环境和物体，确保生成的几何形状遵守稳定性和物理行为约束。
物理引擎模拟
通过在输入-输出对上训练的AI模型复制现有物理引擎的行为，为实时应用实现10-100倍的性能提升。
实时物理推理
执行预训练的神经网络模型以即时预测物理交互，用网络的一次前向传播替代数值求解迭代。
物理代理模型
一种机器学习模型，作为昂贵的传统物理模拟器的高效计算替代品，在保持高精度的同时将计算时间减少几个数量级。
多体轨迹预测
AI系统同时预测多个相互作用物体运动的能力，考虑碰撞、约束和外力，而无需迭代求解约束。
AI加速的GPU模拟
利用GPU的并行架构大规模并行执行物理神经网络推理，从而能够同时模拟数千个交互物体。
AI预测控制
使用预测神经网络模型预测对物理系统控制操作的后果，基于预测的未来状态优化实时决策。
时空几何网络
专门用于处理物理时空数据的深度学习架构，同时捕捉物体之间的几何关系及其时间演变，以实现连贯的物理预测。
物理状态编码器-解码器
一种神经结构，将物理系统的完整状态压缩为紧凑的潜在表示，随后将其解压为未来预测，从而优化时间信息的存储和传输。
物理元学习
一种人工智能模型的方法，能够从少量样本中学习如何快速掌握新的物理动力学，并在无需完全重新训练的情况下快速适应新场景。