Red Neuronal-MPM Híbrida para Simulaciones de Fluidos Interactivas en Tiempo Real

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

May 25, 2025

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

cs.AI

Resumen

Proponemos un sistema de física neuronal para simulaciones de fluidos interactivas en tiempo real. Los métodos tradicionales basados en física, aunque precisos, son computacionalmente intensivos y presentan problemas de latencia. Los métodos recientes de aprendizaje automático reducen los costos computacionales mientras preservan la fidelidad; sin embargo, la mayoría aún no cumple con las restricciones de latencia para su uso en tiempo real y carece de soporte para aplicaciones interactivas. Para cerrar esta brecha, introducimos un método híbrido novedoso que integra simulación numérica, física neuronal y control generativo. Nuestra física neuronal busca simultáneamente una simulación de baja latencia y una alta fidelidad física mediante el empleo de un mecanismo de respaldo basado en solucionadores numéricos clásicos. Además, desarrollamos un controlador basado en difusión que se entrena utilizando una estrategia de modelado inverso para generar campos de fuerza dinámicos externos para la manipulación de fluidos. Nuestro sistema demuestra un rendimiento robusto en diversos escenarios 2D/3D, tipos de materiales e interacciones con obstáculos, logrando simulaciones en tiempo real a altas tasas de cuadros (11~29% de latencia) y permitiendo el control de fluidos guiado por bocetos manuales intuitivos. Presentamos un avance significativo hacia simulaciones de fluidos prácticas, controlables y físicamente plausibles para aplicaciones interactivas en tiempo real. Prometemos liberar tanto los modelos como los datos tras su aceptación.

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.