Hybrides Neuronales-MPM für interaktive Fluidsimulationen in Echtzeit

Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time

May 25, 2025

Autoren: Jingxuan Xu, Hong Huang, Chuhang Zou, Manolis Savva, Yunchao Wei, Wuyang Chen

cs.AI

Zusammenfassung

Wir schlagen ein neuronales Physiksystem für Echtzeit- und interaktive Fluidsimulationen vor. Traditionelle physikbasierte Methoden sind zwar präzise, aber rechenintensiv und leiden unter Latenzproblemen. Neuere maschinelle Lernmethoden reduzieren die Rechenkosten bei gleichzeitiger Wahrung der Genauigkeit; dennoch erfüllen die meisten weiterhin nicht die Latenzanforderungen für den Echtzeiteinsatz und bieten keine Unterstützung für interaktive Anwendungen. Um diese Lücke zu schließen, führen wir eine neuartige hybride Methode ein, die numerische Simulation, neuronale Physik und generative Steuerung integriert. Unsere neuronale Physik verfolgt gleichzeitig eine Simulation mit geringer Latenz und hoher physikalischer Genauigkeit, indem sie einen Rückfallmechanismus auf klassische numerische Löser einsetzt. Darüber hinaus entwickeln wir einen diffusionsbasierten Controller, der mithilfe einer umgekehrten Modellierungsstrategie trainiert wird, um externe dynamische Kraftfelder zur Fluidmanipulation zu erzeugen. Unser System zeigt robuste Leistung in verschiedenen 2D/3D-Szenarien, Materialtypen und Hindernisinteraktionen und erreicht Echtzeitsimulationen mit hohen Bildraten (11~29 % Latenz), während es die Fluidsteuerung durch benutzerfreundliche Freihandskizzen ermöglicht. Wir präsentieren einen bedeutenden Schritt hin zu praktischen, kontrollierbaren und physikalisch plausiblen Fluidsimulationen für Echtzeit- und interaktive Anwendungen. Wir versprechen, sowohl die Modelle als auch die Daten nach der Annahme zu veröffentlichen.

English

We propose a neural physics system for real-time, interactive fluid simulations. Traditional physics-based methods, while accurate, are computationally intensive and suffer from latency issues. Recent machine-learning methods reduce computational costs while preserving fidelity; yet most still fail to satisfy the latency constraints for real-time use and lack support for interactive applications. To bridge this gap, we introduce a novel hybrid method that integrates numerical simulation, neural physics, and generative control. Our neural physics jointly pursues low-latency simulation and high physical fidelity by employing a fallback safeguard to classical numerical solvers. Furthermore, we develop a diffusion-based controller that is trained using a reverse modeling strategy to generate external dynamic force fields for fluid manipulation. Our system demonstrates robust performance across diverse 2D/3D scenarios, material types, and obstacle interactions, achieving real-time simulations at high frame rates (11~29% latency) while enabling fluid control guided by user-friendly freehand sketches. We present a significant step towards practical, controllable, and physically plausible fluid simulations for real-time interactive applications. We promise to release both models and data upon acceptance.