Hybride Neurale-MPM voor Interactieve Vloeistofsimulaties in Real-Time

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

Samenvatting

We stellen een neuraal fysica-systeem voor voor real-time, interactieve vloeistofsimulaties. Traditionele, op fysica gebaseerde methoden zijn weliswaar nauwkeurig, maar rekenintensief en kampen met latentieproblemen. Recente machine-learningmethoden verminderen de rekenkosten terwijl ze de nauwkeurigheid behouden; toch voldoen de meeste nog steeds niet aan de latentie-eisen voor real-time gebruik en ontbreekt het aan ondersteuning voor interactieve toepassingen. Om deze kloof te overbruggen, introduceren we een nieuwe hybride methode die numerieke simulatie, neurale fysica en generatieve controle integreert. Onze neurale fysica streeft tegelijkertijd naar simulaties met lage latentie en hoge fysieke nauwkeurigheid door een terugvalveiligheid in te bouwen naar klassieke numerieke oplossers. Bovendien ontwikkelen we een op diffusie gebaseerde controller die wordt getraind met een omgekeerde modelleerstrategie om externe dynamische krachtvelden te genereren voor vloeistofmanipulatie. Ons systeem toont robuuste prestaties in diverse 2D/3D-scenario's, materiaaltypen en interacties met obstakels, waarbij real-time simulaties worden bereikt met hoge frame rates (11~29% latentie) en tegelijkertijd vloeistofcontrole mogelijk wordt gemaakt die wordt gestuurd door gebruiksvriendelijke vrijehandschetsen. We presenteren een belangrijke stap in de richting van praktische, controleerbare en fysisch plausibele vloeistofsimulaties voor real-time interactieve toepassingen. We beloven zowel de modellen als de data vrij te geven na acceptatie.

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.