Le simulateur AI adopte le nouveau SOTA en simulation physique !

L'apprentissage automatique rend la simulation infographie (CG) plus réaliste !

La méthode s'appelle Neural Flow Maps (Neural Flow Maps, NFM), qui peut simuler avec précision la fumée de quatre vortex :

Des méthodes plus compliquées peuvent également être facilement mises en œuvre :

Vous devez savoir qu'à l'ère des applications d'IA qui volent partout, la simulation physique CG est toujours dominée par les algorithmes numériques traditionnels.

△NFM simule "saute-mouton"

Bien que l'application de réseaux de neurones en CG puisse créer des effets visuels éblouissants, elle ne peut pas décrire de manière stricte et robuste les propriétés physiques.

△NFM simule des "gouttelettes d'encre"

C'est précisément pour cette raison que la simulation physique basée sur les réseaux de neurones est encore au stade de proof of concept(proof of concept), et les effets générés sont loin de SOTA.

Pour résoudre ce problème complexe, une équipe de recherche du Dartmouth College, du Georgia Institute of Technology et de l'Université de Stanford a proposé une nouvelle méthode appelée diagramme de flux neuronal. Ils ont combiné les avantages des réseaux neuronaux avec des modèles physiques avancés pour obtenir des effets visuels et une précision physique sans précédent.

Cet article a été publié dans la revue ACM Transactions on Graphics (TOG) et a remporté le meilleur article du SIGGRAPH Asia 2023.

À quoi ressemble NFM ?

Le point de vue principal de l'équipe de recherche est le suivant : si vous souhaitez utiliser l'IA pour mieux résoudre des problèmes physiques, vous ne pouvez pas intégrer de manière limitée des modules apprenables

dans des cadres de méthodes existants (tels que SPH, fluides stables) . Les méthodes existantes sont adaptées aux capacités des méthodes numériques traditionnelles. Pour cette raison, le développement de l'apprentissage automatique a proposé une série de fonctionnalités complètement nouvelles

(telles que l'expression compacte des signaux spatio-temporels de NeRF)

, souvent il n'y a pas de place pour. dans le cadre existant. Par conséquent, les chercheurs estiment qu'au lieu d'appliquer l'IA au cadre existant, il est préférable de concevoir un nouveau cadre mathématique et numérique basé sur les nouvelles capacités proposées par l'IA, maximisant ainsi la valeur de ces capacités.

Modèle physique

Sur la base des idées ci-dessus, les chercheurs ont construit un simulateur de fluide qui va au-delà de SOTA grâce à la

co-conception

(co-conception) de la physique et de l'IA. Dans la partie physique, NFM a d'abord utilisé un ensemble d'équations de fluide basées sur des impulsions. En effectuant une transformation de jauge

(transformation de jauge)

sur les équations d'Euler communes, NFM a établi le champ de vitesse et le diagramme de flux (carte de flux) . et la relation entre ses dérivées spatiales. En d’autres termes, tant qu’une solution numérique précise de la carte de flux peut être obtenue, le champ de vitesse évolutif peut être reconstruit avec précision.

Afin de calculer la carte de flux avec la plus grande précision, NFM propose un algorithme numérique de « marche bidirectionnelle »

(marche bidirectionnelle) soigneusement conçu.

Cet algorithme est 3 à 5 ordres de grandeur plus précis que les algorithmes existants, mais il nécessite également le stockage de champs de vitesse spatio-temporels (spatiotemporels) à long terme.

Pour les simulations 3D à grande échelle, il est toujours difficile de stocker le champ de vitesse d'une seule image, mais il est totalement irréalisable de stocker le champ de vitesse de dizaines ou de centaines d'images. Par conséquent, bien que l’algorithme du « voyage bidirectionnel » soit précis, il ne peut pas être réalisé par des moyens traditionnels.

Stockage sur réseau neuronal

NFM combine intelligemment le besoin du modèle physique basé sur un graphe de flux de stocker des champs de vitesse de haute précision et une représentation neuronale implicite

(représentation neuronale implicite, ou INR)

pour une représentation spatio-temporelle de haute qualité. signaux La capacité de compression rend réalisables les méthodes de simulation ci-dessus très précises mais irréalisables.

INR ne doit généralement être entraîné qu'une seule fois pour chaque scénario, mais NFM l'utilise comme variable intermédiaire pour une mise à jour continue pendant le processus de simulation, ce qui impose également des exigences plus strictes sur les performances de l'INR.

Dans cette optique, NFM propose un nouvel INR performant baptisé SSNF.

En planifiant automatiquement l'état d'ouverture de chaque point de grille dans un stockage spatial clairsemé et un schéma de traitement temporel basé sur des polynômes de Lagrange, SSNF atteint une vitesse de convergence plus rapide et un taux de compression plus élevé que des méthodes telles que Instant-NGP et KPlanes et une précision de stockage plus élevée. .

Gagner le dernier SOTA

Les résultats expérimentaux montrent qu'en tant que simulateur basé sur l'IA, NFM surpasse largement les méthodes SOTA : bimocq, fluides covecteurs et MC+R.

Dans l'expérience où le vortex ponctuel 2D(vortex ponctuel) a été maintenu, l'erreur absolue moyenne de NFM a été réduite d'au moins 14 et d'au plus 308 fois par rapport aux trois autres.

Dans l'expérience 3D Leapfrogging Vortexes, NFM a également considérablement amélioré la capacité de conservation de l'énergie.

En même temps, cette capacité numérique se reflète dans une meilleure simulation des phénomènes naturels : selon les lois de la physique, les deux paires de tubes vortex du saut de grenouille ne fusionneront jamais, tandis que les deux paires de tubes vortex Les tubes du NFM ne fusionneront jamais après avoir effectué 5 sauts de grenouille. Restant toujours séparés après le saut, la méthode de contraste est entièrement intégrée après au plus 3 utilisations.

Enfin, l'article démontre également la supériorité du NFM dans la création d'effets visuels complexes à travers une série d'exemples de calcul

(tels que l'interaction solide, l'instabilité de Rayleigh Taylor, la reconnexion du tube vortex, etc.) .

Il convient de noter à ce niveau que bien que l'IA soit utilisée pour donner plus de détails au fluide, l'algorithme de super-résolution de l'IA existant ne peut qu'améliorer les détails de l'image, mais NFM a fait une percée dans l'amélioration de la puissance d'une manière physique. . apprendre des détails, améliorant ainsi fondamentalement le réalisme des simulations fluides.

Lien du projet : https://yitongdeng-projects.github.io/neural_flow_maps_webpage/

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!