Neurone Hybride-MPM pour des Simulations de Fluides Interactives en Temps Réel

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

May 25, 2025

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

cs.AI

Résumé

Nous proposons un système de physique neuronale pour des simulations de fluides interactives en temps réel. Les méthodes traditionnelles basées sur la physique, bien que précises, sont intensives en calcul et souffrent de problèmes de latence. Les méthodes récentes d'apprentissage automatique réduisent les coûts de calcul tout en préservant la fidélité ; cependant, la plupart ne parviennent toujours pas à satisfaire les contraintes de latence pour une utilisation en temps réel et manquent de support pour les applications interactives. Pour combler cette lacune, nous introduisons une méthode hybride novatrice qui intègre la simulation numérique, la physique neuronale et le contrôle génératif. Notre physique neuronale vise simultanément une simulation à faible latence et une haute fidélité physique en employant une sauvegarde de secours vers des solveurs numériques classiques. De plus, nous développons un contrôleur basé sur la diffusion, entraîné à l'aide d'une stratégie de modélisation inverse, pour générer des champs de force dynamiques externes permettant la manipulation des fluides. Notre système démontre une performance robuste dans divers scénarios 2D/3D, types de matériaux et interactions avec des obstacles, atteignant des simulations en temps réel à des taux de rafraîchissement élevés (11~29% de latence) tout en permettant un contrôle des fluides guidé par des esquisses manuelles conviviales. Nous présentons une avancée significative vers des simulations de fluides pratiques, contrôlables et physiquement plausibles pour des applications interactives en temps réel. Nous nous engageons à publier les modèles et les données dès leur acceptation.

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.