按年被提到
20192019 · 2 次2026
机器学习与深度学习›优化与可微编程·arXiv:1910.00935 · cs.LG

DiffTaichi: Differentiable Programming for Physical Simulation

DiffTaichi:面向物理仿真的可微编程
Yuanming Hu, Luke Anderson, Tzu-Mao Li, Qi Sun, Nathan Carr, Jonathan Ragan-Kelley, Frédo Durand · 2019

为高性能可微物理仿真设计的编程语言,自动生成梯度

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2019-10-30 · 最近 2021-03-08
4不同的人
4活跃月份
4讨论串
249被引(OpenAlex)

DiffTaichi 是基于命令式语言的可微编程语言,通过保持算术强度和并行性的源码变换为仿真步骤生成梯度,并用轻量级 tape 记录整个仿真程序结构、逆序回放梯度核以实现端到端反向传播。在 10 个物理仿真器上的测试中,一个可微弹性体仿真器比手写 CUDA 版本短 4.2 倍而速度相当,比 TensorFlow 实现快 188 倍;神经网络控制器通常只需几十次迭代就能优化好。

HN 为什么提它

HN 评论把它作为可微物理仿真的例子,说明可以重写已有系统使梯度穿过仿真器用于训练,也有人列它为自己的灵感来源之一。

方法难度 4 / 5约 60 分钟经得起时间
读之前最好知道
1自动微分与反向传播
2物理仿真基础(弹性体、流体)
3GPU 并行编程(CUDA)
4编译器与源码变换

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用MrMoenty · 2019-11

“Hence you get works like this [1] which reimplement existing systems in a way that is amenable to autograd.”

拿它举例:重写现有系统使其适用于 autograd
Deep Learning in the Real World: Dealing with Non-Differentiable Loss Functions原评论 ↗
引用montebicyclelo · 2021-03

“I can list my sources of inspiration: [2] [3] [4].”

把它列为自己的灵感来源之一
Finding Mona Lisa in the Game of Life原评论 ↗
被提交为 story · 2 次