Симуляция жидкости с помощью трехмерных свёрточных нейронных сетей
Автор: Туманов Е.А.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Информатика и управление
Статья в выпуске: 3 (51) т.13, 2021 года.
Бесплатный доступ
Рассматривается решение задачи аппроксимации классического метода симуляции жидкости - позиционного метода симуляции (PBF) [1]. Предлагаемое решение основывается на использовании субпиксельных свёрточных нейронных сетей, которые часто применяются в глубоком обучении для задачи умного повышения размерности изображений и видео. В нашем методе с их помощью повышается размерность поля коррекций скоростей частиц, которыми представлена жидкость. Итоговый метод симуляции поддерживает возможность интерактивного взаимодействия между жидкостью и окружением в реальном времени. В зависимости от точности приближения и соотношения между объемом домена вычислений и количеством частиц предлагаемый метод способен работать до 200 раз быстрее, чем метод-учитель (PBF).
Симуляция жидкости, аппроксимация физических процессов
Короткий адрес: https://sciup.org/142231489
IDR: 142231489 | DOI: 10.53815/20726759_2021_13_3_109
Список литературы Симуляция жидкости с помощью трехмерных свёрточных нейронных сетей
- Маклин М., Мюллер М. Позиционный метод симуляции жидкости // ACM Transactions on Graphics(TOG). 2013. V. 32, N 4. С. 1 12.
- Мюллер М. Позиционный метод для физических симуляций // Journal of Visual Communication and Image Representation. 2007. V. 18, N 2. P. Ю9—118.
- Ладицки Л. [и др.]. Симуляция жидкости с помощью алгоритма Случайный лес // ACM Transactions on Graphics (TOG). 2015. V. 34, N 6. P. 1-9.
- Вийвел С. \u др.]. Физика в латентном пространстве: обучение аппроксимации динамики жидкости // Computer Graphics Forum. V. 38. Wiley Online Library. 2019. P. 71^82.
- Томсон Док.. \u др.]. Ускорение Эйлеровской симуляции жидкости с помощью свёрточных нейронных сетей // Proceedings of the 34th International Conference on Machine Learning. V. 70. JMLR. org. 2017. P. 3424^3433.
- Уммхофер Б. \u др.]. Метод Лагранжевского типа для симуляции жидкости на основе непрерывных свёрточных сетей // International Conference on Learning Representations. 2020.
- Баттаглиа П.В. Байесовский вывод, глубокое обучение и нейронные сети на графах. 2018. arXiv.
- Санчез-Гонзалес А. Аппроксимация физических симуляций с помощью нейронных сетей на графах. 2020. arXiv
- Бридсон Р. Симуляции жидкости в компьютреной графике. CRC press, 2015.
- Бендер Док., Кошиер Д. Бездевергентная гидродинамика сглаженных частиц // Proceedings of the 14th ACM SIGGRAPH/Eurographics symposium on computer animation. 2015. P. 117 155.
- Жегеда К. Архитектуры Inception-v4, inception-resnet и их влияние на нейронные сети с непоследовательными связями между слоями // Pattern Recognition, 2019. Elsevier.
- https://docs.nvidia.com/gameworks/content/gameworkslibrarv/phvsx/flex/index.html
