面向实时的混合神经-MPM流体仿真
机器学习
2025-05-27 v1 流体动力学
摘要
我们提出了一种用于实时交互式流体仿真的神经物理系统。传统物理方法虽然准确，但计算密集且存在延迟问题。最近的机器学习方法降低了计算成本，同时保持保真度；但大多数仍无法满足实时使用的延迟约束，缺乏对交互式应用的支持。为弥合这一差距，我们引入一种新型混合方法，将数值仿真、神经物理和生成式控制相结合。我们的神经物理系统通过采用用于经典数值求解器的后备保护，既实现低延迟仿真，又保持高物理保真度。此外，我们开发了一种基于扩散的控制器，通过反向建模策略训练，用于生成用于流体操控的外部动态力场。我们的系统在多样化的2D/3D场景、材料类型和障碍物交互中表现出稳健的性能，实现了高帧率（11~29%延迟）的实时仿真，并支持由用户友好手绘草图引导的流体控制。我们为实际、可控且物理上合理的实时交互式流体仿真迈出了重要一步。我们承诺在接受后发布模型和数据。
引用
@article{arxiv.2505.18926,
title = {Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time},
author = {Jingxuan Xu and Hong Huang and Chuhang Zou and Manolis Savva and Yunchao Wei and Wuyang Chen},
journal= {arXiv preprint arXiv:2505.18926},
year = {2025}
}