⏶17
Hybrid Neural-MPM：用于实时交互式流体模拟
发表
由 
Wuyang Chen 提交
Wuyang Chen 提交作者: Jingxuan Xu, Hong Huang, Chuhang Zou, Manolis Savva, Yunchao Wei, Wuyang Chen
摘要
我们提出了一种用于实时交互式流体模拟的神经物理系统。传统的基于物理的方法虽然准确，但计算密集且存在延迟问题。近期的机器学习方法在保持保真度的同时降低了计算成本；然而，大多数仍未能满足实时使用的延迟限制，并且缺乏对交互式应用的支持。为了弥合这一差距，我们引入了一种新颖的混合方法，集成了数值模拟、神经物理和生成控制。我们的神经物理通过采用回退安全机制到经典数值求解器，共同追求低延迟模拟和高物理保真度。此外，我们开发了一种基于扩散的控制器，该控制器使用逆向建模策略进行训练，以生成外部动态力场用于流体操纵。我们的系统在各种2D/3D场景、材料类型和障碍物交互中表现出鲁棒的性能，以高帧率（11~29%延迟）实现了实时模拟，同时通过用户友好的手绘草图实现流体控制。我们向实现实用、可控和物理合理的实时交互式流体模拟迈出了重要一步。我们承诺在接受后发布模型和数据。
我们提出了一种用于实时交互式流体模拟的神经物理系统。传统的基于物理的方法虽然准确，但计算量大且存在延迟问题。最近的机器学习方法在保持保真度的同时降低了计算成本；但大多数仍然无法满足实时使用的延迟要求，并且缺乏对交互式应用的支持。为了弥合这一差距，我们引入了一种新颖的混合方法，整合了数值模拟、神经物理和生成式控制。我们的神经物理系统通过采用对经典数值求解器的回退保障，共同追求低延迟模拟和高物理保真度。此外，我们开发了一种基于扩散的控制器，该控制器采用逆向建模策略进行训练，用于生成外部动态力场以进行流体操作。我们的系统在各种 2D/3D 场景、材料类型和障碍物交互中展现出强大的性能，以高帧率实现了实时模拟（延迟约为 -11% 至 29%），同时支持通过用户友好的徒手绘制草图指导流体控制。这标志着我们在实现用于实时交互应用的实用、可控且物理上合理的流体模拟方面迈出了重要一步。我们将在 https://hybridmpm.github.io/ 发布我们的代码、模型和数据。