[論文レビュー] NeuralDrop: DNN-based Simulation of Small-Scale Liquid Flows on Solids

Rajaditya Mukherjee, Qingyang Li+3 more|arXiv (Cornell University)|Nov 6, 2018

Computer Graphics and Visualization Techniques参考文献 20被引用数 5

ひとこと要約

NeuralDrop は、実世界のドロップデータで訓練されたLSTMベースのニューラルネットワークを用いて、固体表面における小スケールの液体流れを深層学習ベースのシミュレータとして提案する。ドロップをラグランジュ的形で接触フロントとして表現することで、輪郭の変化、色の勾配、破断イベントを予測し、高精度な併合、分裂、表面張力効果の効率的で現実的なアニメーションを実現する。

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.

研究の動機と目的

• 三重点接触線における複雑な表面張力効果に起因する、固体上での小スケールの液体流れを高精度かつ効率的にシミュレートする課題に取り組むこと。
• 物理ベースのシミュレーションの限界を克服すること。物理ベースのシミュレーションは、厳しいCFL条件に依存しており、測定が難しい正確な材料特性データを必要とする。
• 実世界の液体流れの記録を用いたデータ駆動型アプローチを開発し、不完全な物理モデルに依存せずに複雑なダイナミクスを捉えること。
• 学習ベースのフレームワークを用いて、併合、分裂、サイズ依存の流れ行動を含む、液体ドロップの現実的なアニメーションを可能にすること。

提案手法

• 実際の水滴がさまざまな表面に落下する様子を高フレームレートで撮影するための独自のデータ収集システムを構築し、真値の流れのパターンを収集する。
• 各液体ドロップをラグランジュ的で輪郭ベースの形式で表現することで、生の動画データをコン act な訓練データに変換する。
• 3つの独立したLSTMベースの再帰的ニューラルネットワークを訓練する：1つは次の輪郭形状の予測、1つは色の勾配の変化の予測、1つは破断の予測。
• シミュレータは、ニューラルネットワークの予測と単純な幾何演算を組み合わせることで、3次元ドロップ形状を再構築し、併合や分裂のようなトポロジー変化を処理する。
• 訓練は、1つのGPUでTensorFlowをバックエンドにKerasを用いて実施され、1000エポック、学習率の段階的減少を経て、安定した収束を達成した。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、実世界のデータを用いて、固体表面における小スケールの液体ドロップの運動および形状変化を正確に予測できるか？
• RQ2 学習ベースのアプローチは、接触角ヒステリシスや三相相互作用を含む複雑な表面張力効果をどの程度正確に捉えることができるか？
• RQ3 接触フロントのラグランジュ的表現は、完全な流体体積追跡を行わずに、併合や分裂イベントの効率的で安定したシミュレーションを可能にするか？
• RQ4 DNNベースのシミュレータは、異なるドロップサイズや表面素材にわたってどの程度一般化できるか？
• RQ5 ニューラルネットワークベースのシミュレータの性能は、形状の変化およびトポロジー的イベントにおいて真値と比較してどの程度優れているか？

主な発見

• ニューラルネットワークは、輪郭の変化、色の勾配の変化、破断イベントの予測において高い精度を達成し、液体ドロップのダイナミクスの現実的なシミュレーションを可能にした。
• シミュレータは、サイズ依存の流れ行動を正確に再現した：大きなドロップは速く動くが、小さなドロップは接触角ヒステリシスにより静止する。
• テストケースでは1回の分裂イベントを正しく予測したが、初期状態推定および再構築誤差に起因するノイズの影響により、複数回の分裂を低く見積もった。
• 訓練時間は1台のP100 GPUで約4日間であり、アニメーション用途に適した推論速度を達成した。
• ニューラル予測を幾何的演算で補完することで、併合や分裂イベントの処理において、シミュレータは高いロバスト性を示した。
• 限界として、非常に疎水性の表面（接触角 >90°）、曲面や不規則な表面、風やユーザー入力などの外部力に対しては性能が劣ることが判明した。