ОПТИМІЗАЦІЯ ПРОДУКТИВНОСТІ КОМП’ЮТЕРНИХ ІГОР НА ОСНОВІ МЕТОДІВ МАШИННОГО НАВЧАННЯ

Г. А. Завгородня; В. В. Завгородній

doi:10.32782/2521-6643-2026-1-71.6

Г. А. Завгородня Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0001-8523-1761
В. В. Завгородній Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-8347-7183

DOI: https://doi.org/10.32782/2521-6643-2026-1-71.6

Ключові слова: машинне навчання, оптимізація продуктивності, комп’ютерні ігри, рендеринг, нейронні мережі, FPS, ресурсоефективність.

Анотація

У статті запропоновано комплексний метод оптимізації продуктивності комп’ютерних ігор на основі технологій машинного навчання. Метод поєднує прогнозування навантаження GPU за допомогою глибоких нейронних мереж (DNN) та адаптивне управління параметрами рендерингу у реальному часі, що дозволяє автоматично визначати оптимальні налаштування графіки для підтримки стабільного FPS, зменшення коливань навантаження GPU та збереження високої якості зображення. Розглянуто математичну модель ефективності, де частота кадрів, якість графіки та навантаження GPU інтегруються у функцію оптимізації з пріоритетними ваговими коефіцієнтами. Запропонований підхід включає адаптивну корекцію параметрів графіки на основі градієнтного спуску та прогнозування навантаження, що забезпечує динамічне регулювання ресурсів без втручання розробника. Для перевірки ефективності моделі проведено експериментальне порівняння із традиційними методами: статичною конфігурацією та лінійним прогнозуванням навантаження GPU. Результати показали підвищення FPS на 20–30 %, зниження середнього навантаження GPU на 10–12 % при збереженні високої якості графіки (≈9 8 % від максимальної) та суттєве зменшення коливань кадрів у складних сценах. Практична реалізація прототипу виконана на Python та інтегрована у сучасні ігрові рушії (Unity, Unreal Engine), що підтверджує застосовність розробленого методу у реальних проектах. Наукова новизна роботи полягає в інтеграції різних класів моделей машинного навчання в єдину адаптивну систему оптимізації рендерингу, здатну враховувати як апаратні параметри, так і поведінку користувача в реальному часі. Запропонований підхід може стати основою для подальшого розвитку адаптивних ML-систем у геймдеві, включаючи VR/AR та хмарні геймінгові платформи, а також для підвищення ефективності розробки комп’ютерних ігор із високими вимогами до продуктивності та якості графіки.

Посилання

1. Завгородній В. В., Завгородня Г. А., Валявська Н. О., Адаменко В. С., Дороговцев Є. В., Несмачний П. В. Метод автоматичної генерації контенту на основі процедурних алгоритмів. Вчені записки Таврійського національного університету ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33, № 1. С. 91–96. DOI: https://doi.org/10.32838/2663-5941/2022.1/15
2. Müller T., Evans A., Schied C., Keller A. Instant Neural Graphics Primitives With a Multiresolution Hash Encoding. ACM Transactions on Graphics. 2022. Vol. 41, No. 4. P. 1–15. DOI: https://doi.org/10.1145/3528223.3530127
3. Завгородній В. В., Завгородня Г. А., Демченко І. В., Крамаренко К. С., Шевченко І. О., Юрченко А. В. Метод створення штучних текстур із заданими параметрами. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33, № 2. С. 86–90. DOI: https://doi.org/10.32838/2663-5941/2022.2/14
4. Завгородній В. В., Завгородня Г. А., Валявська Н. О., Герасименко О. О., Калюжний О. В., Степовий А. В. Пошук аномалій у даних за допомогою машинного навчання. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33, № 3. С. 39–43. URL: https://tech.vernadskyjournals.in.ua/journals/2022/3_2022/6.pdf
5. Xiao L., Nouri S., Chapman M., Fix A., Lanman D., Kaplanyan A. Neural Supersampling for Real Time Rendering. ACM Transactions on Graphics. 2020. Vol. 39, No. 4. Article 142. DOI: https://doi.org/ 10.1145/3386569.3392376
6. Thomas M. M., Liktor G., Peters C., Kim S., Vaidyanathan K., Forbes A. G. Temporally Stable Real Time Joint Neural Denoising and Supersampling. Proceedings of ACM on Computer Graphics and Interactive Techniques HPG. 2022. Vol. 5, No. 3. URL: https://momentsingraphics.de/Publications.html
7. Kurz A., Neff T., Lv Z., Zollhöfer M., Steinberger M. AdaNeRF: Adaptive Sampling for Real-Time Rendering of Neural Radiance Fields. ECCV 2022. URL: https://www.ecva.net/papers/eccv_2022/papers_ECCV/ papers/136770258.pdf
8. Guo Y.-X., Chen G., Dong Y., Tong X. Classifier Guided Temporal Supersampling for Real Time Rendering. Computer Graphics Forum. 2022. Vol. 41, No. 7. P. 237–246. DOI: https://doi.org/10.1111/cgf.14672
9. Kanervisto A., Scheller C., Hautamäki V. Action Space Shaping in Deep Reinforcement Learning. Journal of Machine Learning Research. 2021. DOI: https://doi.org/10.48550/arXiv.2004.00980
10. Souchleris K., Sidiropoulos G.K., Papakostas G.A. Reinforcement Learning in the Game Industry – Review, Prospects and Challenges. Applied Sciences. 2023. Vol. 13, No. 4. Article 2443. DOI: https://doi.org/10.3390/ app13042443
11. Li H., Yang P., Liu W., Yan S., Zhang X., Zhu D. Multi-Agent Reinforcement Learning in Games: Research and Applications. Biomimetics. 2025. Vol. 10, No. 6. Article 375. DOI: https://doi.org/10.3390/biomimetics10060375
12. Wang Q., Zhong Z., Huo Y. et al. State of the Art on Deep Learning-enhanced Rendering Methods. Mach. Intell. Res. 2023. Vol. 20. P. 799–821. DOI: https://doi.org/10.1007/s11633-022-1400-x
13. Jiang M., Li J., Lu Y. et al. D-NeuRA: customizable dynamic neural rendering for human avatars with disentangled pose and appearance. J. King Saud Univ. Comput. Inf. Sci. 2025. Vol. 37. Article 238. DOI: https://doi.org/10.1007/s44443-025-00262-5
14. Yao X., Hu Q., Zhou F., Liu T., Mo Z., Zhu Z., Zhuge Z., Cheng J. SpiNeRF: Direct trained Spiking Neural Networks for Efficient Neural Radiance Field Rendering. Frontiers in Neuroscience. 2025. DOI: https://doi.org/10.3389/fnins.2025.1593580
15. Osemwegie O. Neural Rendering and Deep Learning in Virtual Production: Redefining Cinematic Storytelling, CGI, and Real Time Content Generation. International Journal of Mechanical & Thermal Engineering. 2025. Vol. 6, No. 1. P. 40–52. DOI: https://doi.org/10.22271/27078043.2025.v6.i1a.76
16. Завгородній В. В., Завгородня Г. А., Дроботович К. Є., Тенігін О. В., Шматко М. М. Математичне моделювання у методах формального дослідження. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2021. Т. 32, № 6. С. 75–79. DOI: https://doi.org/10.32838/2663-5941/2021.6/12
17. Romanyuk O., Zavalniuk Y., Korobeinikova T., Titova N., Romanyuk S. The Overview of Neural Rendering. Modern Engineering and Innovative Technologies. 2023. Vol. 27, No. 1. P. 129–134. DOI: https://doi.org/10.30890/2567-5273.2023-27-01-060
18. Бешлей М. І., Ковальчук О. В., Андрущак В. С., Бешлей Г. В. Методика оптимізації алгоритмів машинного навчання для вбудованих кіберфізичних систем. Таврійський науковий вісник. Серія: Технічні науки. 2024. DOI: https://doi.org/10.32782/tnv-tech.2024.1.2
19. Piórkowski R., Mantiuk R., Wernikowski M. Learning to predict perceptual visibility of rendering deterioration in computer games. Scientific Reports. 2024. DOI: https://doi.org/10.1038/s41598-024-78254-0
20. Rempe M., Zsolnai Fehér T., Sitzmann V. et al. HyperNeRF: A Higher Dimensional Representation for Topology Changing Neural Radiance Fields. ACM Transactions on Graphics. 2022. DOI: https://doi.org/ 10.1145/3528223.3530144
21. Lombardi S., Simon T., Schwartz G., Zollhöfer M., Sheikh Y., Saragih J. Mixture of Volumetric Primitives for Efficient Neural Rendering. ACM Transactions on Graphics. 2021. Vol. 40, No. 4. Article 59. DOI: https://doi.org/10.48550/arXiv.2103.01954