Differentiable physics
Differentiable physics - это подход к симуляции, который использует методологию из мира нейронный сетей. На каждом шаге симуляции конечный loss можно продифференцировать.
Мне сильно помогло понять общую концепцию картинка с баскетболистом. И внимательное ознакомление с механизмом обратным распространением ошибки.
DiffCVGP workshop -- Авторы рассказывают про DiffTaichi (differentiable programming framework) и попутно объясняют базовые концепции. Также есть расширенная версия воркшопа
DoJo -- структура похожая, но здесь авторы описали про новый движок. Написан на Julia. Разъясняют почему их движок лучше, попутно рассказывают про фришн кон, софт и хард контакт и градиент контактных взаимодействий.
Towards Computational Design of Shape and Control for Rigid Robots (phd thesis) Jie Xu -- диссертация одно из создателей RoboGrammar. Освящен аспект применения дифференциальных симуляторов в задаче оптимизации формы манипулятора. Также про это есть отдельная статья. Самое интересно как всегда запрятано, в доп материалах описаны loss.
Внимание книга Physics-based Deep Learning Book
Deep Learning in Scientific Computing -- Курс от мистеров из ETH Zürich про наше любимое. Я сам ещё не ознакомился но выглядит, так что стоит.
- ETH Zürich DLSC: Course Introduction
- ETH Zürich DLSC: Introduction to Deep Learning Part 1
- ETH Zürich DLSC: Introduction to Deep Learning Part 2
- ETH Zürich DLSC: Physics-Informed Neural Networks - Introduction
- ETH Zürich DLSC: Physics-Informed Neural Networks - Applications
- ETH Zürich DLSC: Physics-Informed Neural Networks - Limitations and Extensions
- ETH Zürich DLSC: Introduction to Operator Learning Part 1
- ETH Zürich DLSC: Introduction to Operator Learning Part 2
- ETH Zürich DLSC: Deep Operator Networks
- ETH Zürich DLSC: Neural Operators
- ETH Zürich DLSC: Fourier Neural Operators and Convolutional Neural Operators
- ETH Zürich DLSC: Introduction to Differentiable Physics Part 1
- ETH Zürich DLSC: Introduction to Differentiable Physics Part 2