基于神经网络的流体模拟加速研究综述.docVIP

基于神经网络的流体模拟加速研究综述

流体模拟作为计算机图形学、计算流体力学（CFD）交叉领域的核心研究方向，在影视特效、游戏开发、工业设计、气象预报等场景中发挥着不可替代的作用。传统基于物理的流体模拟方法依赖Navier-Stokes方程的数值求解，需要通过有限差分、有限元、格子玻尔兹曼等方法对连续空间进行离散化处理，往往伴随极高的计算复杂度——尤其是在高分辨率、大尺度、多物理场耦合的场景下，单帧模拟耗时可达数小时甚至数天，严重制约了相关应用的迭代效率与交互可能性。近年来，深度学习技术的快速发展为流体模拟的效率瓶颈提供了全新解决方案，基于神经网络的流体模拟加速方法通过数据驱动的方式学习流体运动的内在规律，能够将模拟速度提升数倍至数个数量级，同时保持物理一致性与视觉真实感，已经成为领域内的研究热点。

一、神经网络加速流体模拟的核心技术路径

当前基于神经网络的流体模拟加速研究主要围绕三大技术路径展开，分别针对模拟流程中的不同阶段实现效率优化。

1.求解器替代型加速方法

这类方法直接用神经网络替换传统CFD求解器的全部或部分计算模块，端到端地学习输入边界条件、初始状态到输出流体状态的映射关系，是最早被探索的加速思路。早期研究多采用全连接神经网络或卷积神经网络（CNN）对低分辨率流体场进行直接预测，例如2016年Tompson等人提出的基于CNN的压力求解器，首次实现了对泊松方程求解过程