幸福生活

杨小康教授团队提出流体仿真的人工智能新范式

时间:2022-06-03 14:55
近日,电子信息与电气工程学院人工智能研究院教授杨小康、助理教授王韫博指导的AI+Science研究团队的成果《NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields》被国际顶级机器学习会议ICML 2022收录。论文所提出的“神经流体(NeuroFluid)”模型,利用基于神经隐式场的人工智能可微渲染技术,将流体物理仿真看作求解流体场景三维渲染问题的逆问题——从流体场景的一段多视角表观图像中,即可反推出流体内部的运动规律。这项成果为计算流体动力学、多粒子动力学系统研究开辟了一种人工智能新途径。
 
ICML(International Conference on Machine Learning,国际机器学习大会)被公认为机器学习和人工智能领域最具影响力的国际会议之一。ICML是CCF推荐A类会议,Core Conference Ranking A*类会议。ICML 2022录用率为21.9%。

流体运动研究属于自然科学基础领域的研究范畴,在航空航天、大气、海洋、航运、能源、建筑、环境等众多领域有着广泛应用。在传统研究方法中,求解流体运动(例如速度场)需要首先在理论上精确刻画流体的动力学模型,并结合微分方程、数值分析对模型求解。但是通常对于复杂问题(例如湍流),人们很难用数学物理方程进行描述,复杂流体的Navier-Stokes方程是世界级千禧难题,至今没有被完美解决。现有基于深度学习的方法通常从拉格朗日视角描述流体,即流体被看作由许多粒子组成,通过测定和约束每个粒子的运动即可测定和改变流体的运动。但是大多数方法通常要求已知流体的物理属性(例如粘性),并且需要粒子的运动信息(位置和速度)作为训练数据,这在真实场景中几乎不太可能。
 
针对流体力学模型难以刻画和求解的问题,文章提出一种名为NeuroFluid的神经网络方法,实现流体动态反演(fluid dynamics grounding),即根据稀疏视角下对流体的2D表观视觉观察,推断推流体内在的3D物理运动状态,例如粒子的速度和位置等。如图2所示,NeuroFluid包含基于神经网络的流体粒子状态转移模型(Particle Transition Model)和由粒子驱动的神经网络渲染器(PhysNeRF),并将二者整合到一个端到端的联合优化框架中。优化过程包含三个阶段:
 
1. 模拟:粒子状态转移模型根据初始状态(可用立体视觉方法粗估)预测流体粒子在后续时刻的运动轨迹。
 
2. 渲染:神经网络渲染器PhysNeRF(图2右)根据粒子的几何信息将模拟结果渲染成图像。
 
3. 比对:渲染图像和真实图像比对,计算误差,通过梯度反向传递优化模型参数。


免责声明:本站不提供任何买卖交易借贷投资,内容来源用户发布未经证实,本站不作任何保证或承诺,故不承担任何责任!如有不符内容联系删除,谢谢!

上一篇:亚马逊旗舰电子书阅读器Kindle撤出中国

下一篇:没有了

首页 | 资讯 | 居家 | 文教 | 更新 | 运动 | 科技 | 健康 | 娱乐 | 快报

声明:第三方发布内容,本站不提供任何买卖交易借贷投资,如有违规内容联系删除V信xfkjbbt,谢谢! 备案号 闽ICP备12015687号-8  技术支持:幸福网

电脑版 | 移动版