Deep Fluids:流体シミュレーションをディープラーニングで近似する

チューリッヒ工科大学(ETH Zurich)、ミュンヘン工科大学、Pixarによるディープラーニングで流体シミュレーションを近似する研究 Deep Fluids: A Generative Network for Parameterized Fluid Simulationsプロジェクトページソースコードが公開されている。

Deep Fluids

Deep Fluids: A Generative Network for Parameterized Fluid Simulations (EUROGRAPHICS 2019)

本研究では、削減済みのパラメータセットから流体シミュレーションを合成する新しい生成モデルを提案します。畳み込みニューラルネットワークを離散パラメータ化した流体シミュレーションの速度場(velocity fields)で訓練しました。

訓練データの代表的な特徴を学習するディープラーニングアーキテクチャの特性により、本研究の生成モデルは訓練データセットを正確に近似しつつ、中間値をもっともらしく補間することができます。この生成モデルは、全ての時刻で速度場(velocity fields)の無発散(divergence-free)を保証する新しい損失関数を導入することで流体に最適化されています。

本研究ではさらに、複雑なパラメータを削減した空間で扱えること、潜在空間(latent space)で第2のネットワークと統合することでシミュレーションをリアルタイムに実現できることを示します。
本手法では流体の多種多様な挙動をモデル化しているため、高速なシミュレーション構築、異なるパラメータを持つ流体の補間、タイムリサンプリング、潜在空間(latent space)シミュレーション、シミュレーションデータの圧縮などに応用できます。

本手法による速度場の再構築は、同データをCPUで再シミュレーションするよりも最大で700倍高速に生成でき、圧縮率は最大1300倍となります。


スポンサーリンク

5月に開催されるEurographics 2019で発表されるそうです。


スポンサーリンク


ETH Zurichといえば、数年前にRegression Forestベースの流体シミュレーション近似手法Pysics Forestsを発表していましたね↓
機械学習で流体シミュレーションを近似する『Physics Forests』
CG分野(特にレンダリング)では、現実の物体・現象の性質をモデル化して扱う。計算リソースには限りがあるので、大抵の場合は視覚に大きく影響する要素だけをモデル化して関数などで表現する。実測値や物理法則に基づいた計算を行う「物理モデル」に対...


機械学習による流体シミュレーション近似を突き詰めていくと、やっぱりニューラルネットワークに行き着くということなのだろうか。

GitHubで公開されているDeep Fluidsのソースコードを見ると、TensorFlowベースで実装されているようだ↓
https://github.com/byungsook/deep-fluids

mantaflowという流体シミュレーションのフレームワークを使って訓練用のデータセットを用意するんですね↓

mantaflow

mantaflowは、コンピューターグラフィックスでの流体シミュレーションの研究を対象としたオープンソースのフレームワークです。
並列化されたC++のsolverコア、pythonシーン定義のインターフェイス、プラグインシステムにより、新しいアルゴリズムの迅速なプロトタイピング・テストが可能です。mantaflowには広範囲のNavier-Storkes solverの変種が含まれています。
mantaflowはとても用途が広く、ディープラーニングのフレームワーク(例:numpyを介してTensorFlow)と連携してインポート/エクスポートを可能な他、matlabのプラグインとしてスタンドアローンにコンパイルすることもできます。
最新版のダウンロードはこちら

Physics Forestsで著者の1人にDisney Research所属の人がいたように、Deep Fluidsの著者の中にはPixar所属の人がいますね。

CGで一昔前は物理ベースと言われていたジャンルが、演算コストが頭打ちになってだんだんナレッジ(知識)ベースへと移ってきているということだろうか。
大きな目で見ると、現象をデフォルメして軽い処理で近似していた時代に戻っているような気もする。

多次元パラメータを扱う関数の多いCG分野はディープラーニング(というかニューラルネットワーク)に向いてるのかもな。
畳み込みって、テクスチャマッピングやShading処理そのものだし、GPUとの相性も良い。
https://shiropen.com/seamless/deep-fluids

NVIDIAがGPGPUと言い始めたころ、その使用例は流体計算が多かった気がするけど、時代を経て手を変え品を変え、結局GPUで流体計算しているのも何だか不思議。


スポンサーリンク

関連記事

Webサイトのワイヤーフレームが作成できるオンラインツール
書籍『仕事ではじめる機械学習』を読みました
BSDF: (Bidirectional scattering distribution funct...
組み込み向けのWindows OS 『Windows Embedded』
NumSharp:C#で使えるNumPyライクな数値計算ライブラリ
日本でMakersは普及するだろうか?
iOSデバイスのためのフィジカル・コンピューティングツールキット『konashi(こなし)』
ZBrushで仮面ライダー3号を造る 仮面編 Dam Standardブラシでディティールを彫る
SONYの自律型エンタテインメントロボット『aibo』
ZBrushで手首のモデリングをリファイン
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
konashiのサンプルコードを動かしてみた
Unity ARKitプラグインサンプルのチュートリアルを読む
プログラムによる景観の自動生成
Subsurface scatteringの動画
顔追跡による擬似3D表示『Dynamic Perspective』
YOLO (You Only Look Once):ディープラーニングによる一般物体検出手法
ゴジラの造形
OpenCVの超解像処理モジュール『Super Resolution』
3Dスキャンしたテクスチャから照明を除去するUnityツール『De Lighting tool』
Web経由でRaspberry PiのGPIOを操作したい
OpenCVの三角測量関数『cv::triangulatepoints』
Physically Based Rendering
タマムシっぽい質感
ヘッドマウントディスプレイとビジュアリゼーションの未来
PythonのStructure from Motionライブラリ『OpenSfM』
ZBrushで仮面ライダー3号を造る 仮面編 リファレンス画像の表示
Managing Software Requirements: A Unified Approach
実写と実写の合成時の色の馴染ませテクニック
PythonのHTML・XMLパーサー『BeautifulSoup』
『手を動かしながら学ぶエンジニアのためのデータサイエンス』ハンズオンセミナーに行ってきた
ZBrushで仮面ライダー3号を造る 仮面編
Phongの表現力パネェ 材質別のPhong Shader用パラメータ一覧
Maya LTのQuick Rigを試す
C++ 標準テンプレートライブラリ (STL)
FCN (Fully Convolutional Network):ディープラーニングによるSema...
畳み込みニューラルネットワーク (CNN:Convolutional Neural Network)
PSPNet (Pyramid Scene Parsing Network):ディープラーニングによ...
Pix2Pix:CGANによる画像変換
Google App Engineのデプロイ失敗
『ローグ・ワン/スター・ウォーズ・ストーリー』"あのキャラクター"のメイキング
MeshroomでPhotogrammetry

コメント