Neural-MPM Híbrido para Simulações Interativas de Fluidos em Tempo 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

Resumo

Propomos um sistema de física neural para simulações de fluidos interativas em tempo real. Métodos tradicionais baseados em física, embora precisos, são computacionalmente intensivos e sofrem com problemas de latência. Métodos recentes de aprendizado de máquina reduzem os custos computacionais enquanto preservam a fidelidade; no entanto, a maioria ainda não consegue satisfazer as restrições de latência para uso em tempo real e carece de suporte para aplicações interativas. Para preencher essa lacuna, introduzimos um novo método híbrido que integra simulação numérica, física neural e controle generativo. Nossa física neural busca simultaneamente simulação de baixa latência e alta fidelidade física, empregando um mecanismo de segurança de fallback para solucionadores numéricos clássicos. Além disso, desenvolvemos um controlador baseado em difusão que é treinado usando uma estratégia de modelagem reversa para gerar campos de força dinâmicos externos para manipulação de fluidos. Nosso sistema demonstra desempenho robusto em diversos cenários 2D/3D, tipos de materiais e interações com obstáculos, alcançando simulações em tempo real com altas taxas de quadros (11~29% de latência) enquanto permite o controle de fluidos guiado por esboços livres e amigáveis ao usuário. Apresentamos um passo significativo em direção a simulações de fluidos práticas, controláveis e fisicamente plausíveis para aplicações interativas em tempo real. Comprometemo-nos a liberar tanto os modelos quanto os dados após a aceitação.

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.