Гибридный нейронно-MPM подход для интерактивного моделирования жидкостей в реальном времени

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

May 25, 2025

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

cs.AI

Аннотация

Мы предлагаем нейрофизическую систему для интерактивного моделирования жидкостей в реальном времени. Традиционные методы, основанные на физике, хотя и точны, требуют значительных вычислительных ресурсов и страдают от проблем с задержками. Современные методы машинного обучения снижают вычислительные затраты, сохраняя точность, однако большинство из них по-прежнему не удовлетворяют требованиям к задержкам для использования в реальном времени и не поддерживают интерактивные приложения. Чтобы устранить этот разрыв, мы представляем новый гибридный метод, который объединяет численное моделирование, нейрофизику и генеративное управление. Наша нейрофизическая система одновременно стремится к низкой задержке моделирования и высокой физической точности, используя резервный механизм, основанный на классических численных решателях. Кроме того, мы разработали контроллер на основе диффузии, который обучается с использованием стратегии обратного моделирования для генерации внешних динамических силовых полей, управляющих жидкостью. Наша система демонстрирует устойчивую производительность в различных 2D/3D сценариях, типах материалов и взаимодействиях с препятствиями, достигая моделирования в реальном времени с высокой частотой кадров (задержка 11~29%) и позволяя управлять жидкостью с помощью интуитивно понятных свободных набросков. Мы представляем значительный шаг к практическому, управляемому и физически правдоподобному моделированию жидкостей для интерактивных приложений в реальном времени. Мы обещаем опубликовать модели и данные после принятия работы.

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.