本博文由 Arm 架构工程师 Máté Stodulka 和 Arm 研究生软件工程师 Tomas Zilhao Borges 合著。
移动游戏和 AR 或 VR 对沉浸式逼真图形的需求正在挑战移动硬件的极限。要实现栩栩如生的流体、布料和其他材料的模拟，历来需要密集的数学计算。虽然这些传统方法能产生高度精确的结果，但它们耗费的资源太多，无法在移动设备上实时运行。但是，随着移动硬件的发展，机器学习（ML）技术，尤其是图神经网络（GNN），正在成为在移动设备上模拟物理学的一种强大、高效的替代方法。
图神经网络尤其适用于将现实世界中的情况表示为相关物体之间相互作用的场景。因此，通过将每个粒子表示为节点，并将它们之间的作用力表示为边，GNN 就可以用来预测物理系统中的动态行为。这使得 GNN 能够以一种计算高效、适应各种场景的方式逼近传统方法，从而使其在资源受限的移动设备上大有可为。最近推出的 GNN 提供了一种设计、构建和部署 GNN 的简化方法，提供了 “即用型 ”架构和定义节点、边和交互的基本工具。
作者：Tomas Zilhao Borges
文章来源：https://community.arm.com/arm-community-blogs/b/mobile-graphics-and-gaming-blog/posts/physics-simulation-graph-neural-networks-targeting-mobile
欢迎大家点赞留言，更多 Arm 技术文章动态请关注极术社区 Arm 技术专栏欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
