[논문 리뷰] Liquid Splash Modeling with Neural Networks

Kiwon Um, Xiangyu Hu외 1명|arXiv (Cornell University)|2017. 04. 14.

Computer Graphics and Visualization Techniques참고 문헌 44인용 수 7

한 줄 요약

이 논문은 고해상도 학습 데이터에서 현실적인 스플래시 방울을 생성하는 방식으로 굵은 격자 FLIP 시뮬레이션의 시각적 사실성과 해상도를 향상시키는 데이터 기반 신경망 모델 MLFLIP를 제안한다. 스플래시 발생 확률을 위한 분류기와 속도 수정을 위한 이종산성 신경망을 조합함으로써, 계산 비용을 증가시키지 않으면서도 수작업 파rameter 조정이 필요 없이 물리적으로 타당한 스플래시를 생성한다.

ABSTRACT

This paper proposes a new data-driven approach to model detailed splashes for liquid simulations with neural networks. Our model learns to generate small-scale splash detail for the fluid-implicit-particle method using training data acquired from physically parametrized, high resolution simulations. We use neural networks to model the regression of splash formation using a classifier together with a velocity modifier. For the velocity modification, we employ a heteroscedastic model. We evaluate our method for different spatial scales, simulation setups, and solvers. Our simulation results demonstrate that our model significantly improves visual fidelity with a large amount of realistic droplet formation and yields splash detail much more efficiently than finer discretizations.

연구 동기 및 목표

• 직접 해상해상해석하기에 계산 비용이 많이 드는 소규모 스플래시 세부 정보를 모델링함으로써 굵은 격자 FLIP 시뮬레이션의 시각적 사실성을 향상시키기.
• 미세한 공간 해상도에 의존하지 않고도 대규모 액체 시뮬레이션에서 복잡하고 고주파수의 방울 형성 현상을 시뮬레이션하는 과제를 해결하기.
• 수작업 파rameter 조정 없이 고해상도 시뮬레이션에서 스플래시 메커니즘을 자동으로 학습할 수 있는 데이터 기반의 트레이닝 가능한 모델 개발하기.
• 스플래시 입자와 주요 유체 시뮬레이션 간의 상호작용을 위해 이중 방향 결합을 가능하게 하여 현실적인 동량 전달과 상호작용을 보장하기.
• 기본 시뮬레이션 그리드에 종속되지 않는 방식으로 2차 입자를 독립적으로 생성할 수 있도록 모델을 확장하여 다중 척도 스플래시 효과 지원하기.

제안 방법

• 고해상도이고 물리적으로 정확한 시뮬레이션 데이터를 기반으로 신경망을 학습하여 미세 격자 스케일에서 방울 형성의 가능성을 학습하기.
• 지역 유체 상태를 기반으로 각 입자 위치에서 스플래시 이벤트가 발생할지 여부를 예측하기 위해 이진 분류기를 사용하기.
• 신규 생성된 방울의 속도 변화를 예측하기 위해 이종산성 회귀 모델을 적용하여 예측의 불확실성을 모델링하기.
• 신경망 모델을 FLIP 알고리즘에 직접 통합하여 실시간으로 상호작용 가능한 스플래시 생성을 가능하게 하기.
• 기본 시뮬레이션 격자에 종속되지 않는 2차 입자를 생성할 수 있도록 모델을 확장하여 스플래시 수와 척도에 대한 탄력적인 제어 가능하게 하기.
• 2.5 mm, 5 mm, 1 cm의 격자 간격을 포함한 다중 척도 데이터로 모델을 학습하여 다양한 공간 척도 간의 일반화 능력 향상시키기.

실험 결과

연구 질문

• RQ1 신경망이 수작업 파rameter 조정 없이 고해상도 시뮬레이션 데이터에서 현실적인 스플래시 형성을 예측할 수 있는가?
• RQ2 데이터 기반 모델이 FLIP 시뮬레이션에서 다양한 공간 척도와 시뮬레이션 설정 간에 얼마나 잘 일반화되는가?
• RQ3 모델이 물리적으로 타당하고 주 유체와 현실적으로 상호작용하는 2차 입자를 생성할 수 있는가?
• RQ4 이종산성 모델을 사용함으로써 스플래시 방울의 속도 예측의 현실감과 불확실성 인식 능력이 향상되는가?
• RQ5 고해상도 시뮬레이션의 계산 비용의 일부에 불과한 비용으로도 시각적으로 설득력 있는 스플래시를 생성할 수 있는가?

주요 결과

• MLFLIP 모델은 굵은 격자 FLIP 시뮬레이션에 현실적이고 고주파수의 스플래시 세부 정보를 생성함으로써 시각적 사실성을 크게 향상시킨다.
• 이러한 향상은 계산 비용을 증가시키지 않으며, 효율성 측면에서 더 미세한 해상도보다 뛰어나다.
• 신경망은 고해상도 학습 데이터에서 스플래시 형성과 속도 변화를 예측하여 복잡한 미세 격자 역학을 포착한다.
• 이종산성 회귀 모델은 속도 예측의 불확실성을 성공적으로 포착하여 더 현실적인 방울 행동을 이끌어낸다.
• 2.5 mm, 5 mm, 1 cm의 격자 간격을 가진 시뮬레이션을 통해 다양한 공간 척도 간의 일반화 능력이 입증되었다.
• 2차 입자 생성 기능의 확장 덕분에 스플래시 수 제어와 다중 척도 스플래시 효과 지원이 가능해졌다.