[논문 리뷰] NeuralDrop: DNN-based Simulation of Small-Scale Liquid Flows on Solids

Rajaditya Mukherjee, Qingyang Li외 3명|arXiv (Cornell University)|2018. 11. 06.

Computer Graphics and Visualization Techniques참고 문헌 20인용 수 5

한 줄 요약

NeuralDrop는 실제 방울 데이터로 훈련된 LSTM 기반 신경망을 사용하여 고체 표면에서 소규모 액체 유동을 딥러닝 기반 시뮬레이터로 구현한다. 액체 방울을 라그랑주 형식의 접촉 선으로 표현함으로써 윤곽 변화, 색상 기울기, 분열 사건을 예측하며, 융합, 분열, 표면 장력 효과를 고정밀도로 효율적으로 애니메이션할 수 있다.

ABSTRACT

Small-scale liquid flows on solid surfaces provide convincing details in liquid animation, but they are difficult to be simulated with efficiency and fidelity, mostly due to the complex nature of the surface tension at the contact front where liquid, air, and solid meet. In this paper, we propose to simulate the dynamics of new liquid drops from captured real-world liquid flow data, using deep neural networks. To achieve this goal, we develop a data capture system that acquires liquid flow patterns from hundreds of real-world water drops. We then convert raw data into compact data for training neural networks, in which liquid drops are represented by their contact fronts in a Lagrangian form. Using the LSTM units based on recurrent neural networks, our neural networks serve three purposes in our simulator: predicting the contour of a contact front, predicting the color field gradient of a contact front, and finally predicting whether a contact front is going to break or not. Using these predictions, our simulator recovers the overall shape of a liquid drop at every time step, and handles merging and splitting events by simple operations. The experiment shows that our trained neural networks are able to perform predictions well. The whole simulator is robust, convenient to use, and capable of generating realistic small-scale liquid effects in animation.

연구 동기 및 목표

• 삼중접선에서 복잡한 표면 장력 효과로 인해 발생하는 고해상도 및 고성능 시뮬레이션의 과제를 해결하기 위해.
• 물리 기반 시뮬레이션의 한계를 극복하기 위해, 특히 엄격한 CFL 조건과 측정하기 어려운 정확한 물성 데이터가 필요한 문제를 해결하기 위해.
• 실제 세계의 액체 유동 기록을 활용한 데이터 기반 접근법을 개발하여, 불완전한 물리 모델에 의존하지 않고도 복잡한 동역학을 포착하기 위해.
• 학습 기반 프레임워크를 통해 융합, 분열, 크기에 따라 달라지는 유동 행동을 포함한 실제적인 액체 방울 애니메이션을 가능하게 하기 위해.

제안 방법

• 실제 물방울이 다양한 표면에서 떨어지는 고속 영상을 촬영하기 위한 맞춤형 데이터 캡처 시스템을 구축하여 기준 유동 패턴을 확보한다.
• 원시 영상 데이터는 각 액체 방울을 라그랑주 형식의 윤곽 기반 형태로 표현함으로써 압축된 훈련 데이터로 변환된다.
• 세 개의 별도의 LSTM 기반 순환 신경망을 훈련한다: 하나는 다음 윤곽 형태를 예측하고, 하나는 색상 기울기 변화를 예측하며, 하나는 분열 예측을 수행한다.
• 시뮬레이터는 신경망 예측 결과와 단순 기하 연산을 조합하여 3D 방울 형태를 재구성하고 융합, 분열과 같은 위상적 변화를 처리한다.
• 훈련은 하나의 GPU에서 Keras와 Tensorflow를 사용하여 수행되며, 1000 에포크 동안 학습률 감소를 적용하여 안정적인 수렴을 달성한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 실제 세계 데이터를 사용하여 고체 표면에서 소규모 액체 방울의 운동 및 형태 변화를 정확하게 예측할 수 있는가?
• RQ2 학습 기반 접근법은 접촉 역행성 및 삼중상호작용을 포함한 복잡한 표면 장력 효과를 얼마나 잘 포착할 수 있는가?
• RQ3 접촉 선의 라그랑주 표현 방식이 전체 유체 부피 추적 없이도 융합 및 분열 사건의 효율적이고 안정적인 시뮬레이션을 가능하게 하는가?
• RQ4 DNN 기반 시뮬레이터가 다양한 방울 크기와 표면 재질 간에 얼마나 일반화되는가?
• RQ5 신경망 기반 시뮬레이터의 성능은 형태 변화 및 위상적 사건 측면에서 기준값과 비교해 어떻게 평가되는가?

주요 결과

• 신경망은 윤곽 변화, 색상 기울기 변화, 분열 사건에 대한 정확한 예측을 달성하여 액체 방울 역학의 현실적인 시뮬레이션을 가능하게 한다.
• 시뮬레이터는 크기에 따른 유동 행동을 성공적으로 재현한다: 큰 방울은 더 빠르게 움직이며, 작은 방울은 접촉 각도 역행성으로 인해 정지해 있다.
• 테스트 케이스에서 한 번의 분열 사건을 정확히 예측하지만, 초기 상태 추정 및 재구성 오류로 인해 다중 분열은 과소평가한다.
• 훈련 시간은 단일 P100 GPU에서 약 4일이 소요되며, 애니메이션 응용 프로그램에 적합한 추론 속도를 확보한다.
• 신경망 예측에 기반한 기하 연산을 통해 융합 및 분열 사건 처리에 있어 뛰어난 강건성을 보였다.
• 한계점으로는 고도로 수성 표면(접촉 역행성 >90°), 곡면 또는 불균일한 표면, 바람이나 사용자 입력과 같은 외부 힘에 대해 성능이 열 劣하다.