Neurale Ibrido-MPM per Simulazioni Interattive di Fluidi in Tempo Reale

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

May 25, 2025

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

cs.AI

Abstract

Proponiamo un sistema di fisica neurale per simulazioni di fluidi interattive e in tempo reale. I metodi tradizionali basati sulla fisica, sebbene accurati, sono computazionalmente intensivi e soffrono di problemi di latenza. I recenti metodi di apprendimento automatico riducono i costi computazionali mantenendo la fedeltà; tuttavia, la maggior parte non soddisfa ancora i vincoli di latenza per l'uso in tempo reale e manca di supporto per applicazioni interattive. Per colmare questa lacuna, introduciamo un metodo ibrido innovativo che integra simulazione numerica, fisica neurale e controllo generativo. La nostra fisica neurale persegue congiuntamente una simulazione a bassa latenza e un'elevata fedeltà fisica, impiegando un meccanismo di sicurezza di ripiego su risolutori numerici classici. Inoltre, sviluppiamo un controllore basato su diffusione che viene addestrato utilizzando una strategia di modellazione inversa per generare campi di forza dinamici esterni per la manipolazione dei fluidi. Il nostro sistema dimostra prestazioni robuste in diversi scenari 2D/3D, tipi di materiali e interazioni con ostacoli, raggiungendo simulazioni in tempo reale ad alti frame rate (11~29% di latenza) e consentendo il controllo dei fluidi guidato da schizzi a mano libera di facile utilizzo. Presentiamo un passo significativo verso simulazioni di fluidi pratiche, controllabili e fisicamente plausibili per applicazioni interattive in tempo reale. Ci impegniamo a rilasciare sia i modelli che i dati in caso di accettazione.

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.