論文の概要: Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time

• arxiv url: http://arxiv.org/abs/2505.18926v1
• Date: Sun, 25 May 2025 01:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.756735
• Title: Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time
• Title（参考訳）: 対話型流体シミュレーションのためのハイブリッドニューラルMPM
• Authors: Jingxuan Xu, Hong Huang, Chuhang Zou, Manolis Savva, Yunchao Wei, Wuyang Chen,
• Abstract要約: 本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
• 参考スコア（独自算出の注目度）: 57.30651532625017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 実時間対話型流体シミュレーションのための神経物理システムを提案する。 従来の物理学に基づく手法は正確ではあるが、計算集約であり、レイテンシの問題に悩まされている。 最近の機械学習手法は、忠実さを維持しながら計算コストを削減しているが、ほとんどの場合、リアルタイム利用の遅延制約を満たすことができず、対話型アプリケーションのサポートが欠如している。 このギャップを埋めるために、数値シミュレーション、神経物理学、生成制御を統合した新しいハイブリッド手法を導入する。 我々の神経物理学は、古典的数値解法にフォールバックセーフガードを用いることで、低レイテンシシミュレーションと高物理忠実度を共同で追求する。 さらに,流体操作のための外部動的力場を生成するために,逆モデリング手法を用いて学習した拡散型制御器を開発した。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用に対して堅牢な性能を示し, 高フレームレート(11～29%レイテンシ)でのリアルタイムシミュレーションを実現し, ユーザフレンドリーなフリーハンドスケッチによる流体制御を実現している。 リアルタイム対話型アプリケーションのための実用的,制御可能,物理的に妥当な流体シミュレーションに向けて重要なステップを提示する。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。

関連論文リスト

• A Pioneering Neural Network Method for Efficient and Robust Fluid Simulation [4.694954114339147]
  本研究では,複雑な環境下での流体シミュレーションを効率的かつ堅牢に行うために設計された,最初のニューラルネットワーク手法を提案する。 このモデルは、そのような複雑なシナリオで流体粒子力学を安定にモデル化できる最初のモデルでもある。 既存のニューラルネットワークに基づく流体シミュレーションアルゴリズムと比較して、高速な計算速度を維持しながら精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2024-12-14T08:31:56Z)
• A Neural Material Point Method for Particle-based Emulation [5.4346288442609945]
  本稿では,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークNeuralMPMを提案する。 NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。 流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。
  論文  参考訳（メタデータ） (2024-08-28T12:39:51Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Accelerating hypersonic reentry simulations using deep learning-based hybridization (with guarantees) [0.0]
  我々は流体力学と化学反応のカップリングを伴う超音速惑星再突入問題に焦点を当てた。 化学反応のシミュレーションには計算時間の大半を要するが、正確な予測を得るためには避けられない。 従来の流体力学解法と化学反応を近似したニューラルネットワークを結合したハイブリッドシミュレーション符号を設計する。
  論文  参考訳（メタデータ） (2022-09-27T14:41:56Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。