人工智能让计算机图形学（CG）模拟更逼真了！
这个方法被称为神经流向图（Neural Flow Maps，NFM），可以精确地模拟出四个涡旋的烟雾效果：
更为复杂的功能也可以轻松实现：
要了解，在这个人工智能应用广泛的时代，计算机图形物理仿真仍然是传统数值算法的主流。
△NFM模拟“蛙跳”
虽然人工神经网络在计算机图形学中可以产生令人眼花缭乱的视觉效果，但它无法准确、稳定地描述物理特性。
△NFM模拟“墨滴”
正因如此，目前基于人工神经网络的物理仿真仍处于概念验证（proof of concept）阶段，所产生的效果也远未达到最先进技术水平（SOTA）。
针对这个难题，研究团队来自达特茅斯学院、佐治亚理工学院以及斯坦福大学提出了一种新方法，称为神经流向图。这种方法将神经网络的优秀特性与先进的物理模型相结合，以实现前所未有的视觉效果和物理精确性。
这篇研究文章发表在图形学领域的顶级期刊ACM Transactions on Graphics（TOG），并且荣获了SIGGRAPH ASIA 2023最佳论文奖。
研究团队的核心观点是：要想更好地利用人工智能（AI）解决物理问题，就不能仅仅将可学习模块嵌入已有的方法框架（例如SPH、stable fluids）中。
现有方法是专门针对传统数值方法的能力范围而设计的，正因为如此，机器学习的发展提出了一系列全新的能力（例如NeRF对时空信号的紧凑表达），往往在现有的框架中无法应用。
因此，研究人员认为不应该仅仅在现有的框架中应用AI，而是应该利用AI提出的新能力来设计数学和数值的新框架，以最大化这些能力的价值。
物理模拟
基于上述思路，研究人员通过对物理和人工智能进行协同设计，构建一个超越目前最先进技术的流体模拟器。
在物理方面，NFM首先采用了一套基于冲量的流体方程，通过对常见的欧拉方程进行度规变换，建立了速度场与流向图以及其空间导数之间的关系。
换句话说，只要我们能够获得准确的流动图数值解，就能够准确地重建演化的速度场。
该算法比现有算法的精度高出3至5个数量级，但它同时也需要存储长期的时空速度场。
对于大规模的3D模拟而言，存储单帧的速度场已经面临挑战，更不用说存储数十上百帧的速度场了。因此，传统的方法无法实现精确的“双向行进”算法。
神经网络存储
通常情况下，每个场景只需要对INR进行一次训练。然而，NFM将INR作为一个中间变量，在模拟过程中不断更新，这对INR的性能提出了更高的要求。
关于这一问题，NFM提出了一种名为SSNF的全新高性能INR。
获得最新的最佳结果
实验结果显示，作为一个基于人工智能的模拟器，NFM明显优于目前最先进的方法：bimocq、covector fluids以及MC+R。
同时，这种数值能力体现为对自然现象的更准确的模拟：根据物理定律，蛙跳中的两对涡管将永不融合，而NFM的两个涡管在完成5次蛙跳后仍然保持分离，对比的方法至多在3次之后就完全融合。
最后，文章还通过一系列实例（如固体交互，瑞利泰勒不稳定性，涡管重连等）展示了NFM在创造复杂视觉效果方面的优势。
在这个层面上值得注意的是，尽管都是利用人工智能赋予流体更多的细节，现有的人工智能超分辨率算法只能提升画面细节，但NFM却突破性地以物理的方式提升了动力学细节，从而根本性地提高了流体模拟的真实度。
项目链接：点击此处
