[论文解读] Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics

Lukas Prantl, Benjamin Ummenhofer+2 more|arXiv (Cornell University)|Oct 12, 2022

Model Reduction and Neural Networks被引用 12

一句话总结

本文提出一种物理信息神经网络架构，通过反对称连续卷积层强制实现线性动量守恒，确保在不依赖基于损失的正则化的情况下精确保持动量。该方法在基于粒子的流体模拟中实现了更高的精度和泛化能力，优于最先进模型如GNS，在训练效率和对未见场景（包括高达一百万个粒子的大规模模拟）的鲁棒性方面表现更优。

ABSTRACT

We present a novel method for guaranteeing linear momentum in learned physics simulations. Unlike existing methods, we enforce conservation of momentum with a hard constraint, which we realize via antisymmetrical continuous convolutional layers. We combine these strict constraints with a hierarchical network architecture, a carefully constructed resampling scheme, and a training approach for temporal coherence. In combination, the proposed method allows us to increase the physical accuracy of the learned simulator substantially. In addition, the induced physical bias leads to significantly better generalization performance and makes our method more reliable in unseen test cases. We evaluate our method on a range of different, challenging fluid scenarios. Among others, we demonstrate that our approach generalizes to new scenarios with up to one million particles. Our results show that the proposed algorithm can learn complex dynamics while outperforming existing approaches in generalization and training performance. An implementation of our approach is available at https://github.com/tum-pbs/DMCF.

研究动机与目标

• 为解决学习型物理模拟中缺乏基本物理守恒定律（尤其是线性动量）的问题。
• 开发一种将动量守恒作为硬约束而非软正则化的神经网络架构。
• 在各种未见物理场景下，提升基于粒子的流体模拟的泛化能力和鲁棒性。
• 在保持物理保真度的同时，实现可扩展的、高精度的模拟，支持高达一百万个粒子。
• 证明基于物理原理的归纳偏置可超越标准深度学习方法在模拟任务中的表现。

提出的方法

• 该方法使用反对称连续卷积（CConv）层，通过结构设计强制实现动量守恒，确保网络输出符合牛顿第三定律。
• 网络采用分层架构，并结合动态重采样策略，以在长时间序列中保持粒子分辨率和稳定性。
• 通过在优化过程中展开物理状态演化，保持时间一致性。
• 架构整合了受光滑粒子流体动力学（SPH）启发的归纳偏置，实现对位置信息的高效处理。
• 通过反对称性将物理约束直接嵌入网络权重，避免依赖损失函数来强制守恒。
• 训练使用标准回归损失，而物理约束则由网络结构设计保证。

实验结果

研究问题

• RQ1 能否通过网络架构约束而非损失正则化，在学习型基于粒子的流体模拟中保证动量守恒？
• RQ2 强制动量守恒对泛化到未见物理场景（如不同重力条件或粒子数量）有何影响？
• RQ3 具有归纳偏置的卷积架构是否能在粒子模拟任务中超越图神经网络？
• RQ4 所提方法在超过一百万个粒子的大规模模拟中可扩展到何种程度？
• RQ5 与最先进基线模型（如GNS）相比，该方法在精度和推理速度方面表现如何？

主要发现

• 在默认重力条件下，该方法在液滴碰撞场景中相比GNS将EMD误差降低了57%，在移除重力时误差降低达195%。
• 该模型在训练集粒子数165倍的场景下仍能稳健泛化，保持高精度与稳定性。
• ASC-C网络的推理速度比GNS快2.79倍，参数量仅为GNS的29%，同时精度更高。
• 在WBC-SPH数据集上，该方法相比参考求解器实现了162倍的加速，平均帧处理时间为67.25ms。
• 与CConv不同，该方法不会抑制重力加速度，即使在大时间步长下，3D模拟中的动力学也与真实值高度吻合。
• 在长时间序列（>30帧）中，该模型保持了物理一致性和时间稳定性，而GNS则表现出显著发散。