JAX-SPH：一个可微分的平滑粒子流体动力学框架
内容提要
本研究探讨了平滑粒子流体动力学（SPH）中的粒子聚类现象，提出了一种基于图神经网络（GNN）的模拟器，以增强训练和推理性能。文章还介绍了流体动力学与深度学习结合的框架，展示了计算流体力学求解器JAX-Fluids在单相和两相流模拟中的高性能和多功能性。
延伸解读
粒子聚类现象与GNN模拟器的结合
文章指出，基于对平滑粒子流体动力学中粒子聚类现象的洞察，研究采用了标准SPH求解器的压力、黏性和外力等组成部分，来增强基于图神经网络的模拟器的训练和推理性能。这种方法旨在实现更好的效果和更长的时间扩展，从而更准确和稳定地模拟物理问题。
JAX-Fluids求解器的增强功能
新版本的JAX-Fluids是一个基于Python的完全可微分计算流体力学求解器，专为可压缩单相和两相流设计。它通过JAX原始操作在GPU和TPU上高效扩展，并支持稳定的自动微分梯度计算。新版本还提供了增强的两相流模拟能力、正性保持限制器、拉伸笛卡尔网格支持、重构的输入/输出处理、全面的后处理例程以及最新的高阶数值离散方案。
SPNets框架与流体动力学深度学习
文章介绍了Smooth Particle Networks (SPNets)框架，它将流体动力学与深度网络相结合。该框架成功展示了如何在SPNets下使用ConvSP和ConvSDF层，直接实现深度网络中的流体动力学，并用数据学习流体参数，执行液体控制任务以及学习调整液体的策略。这为流体模拟和深度学习融合提供了新思路。
Q&A
JAX-SPH框架的主要功能是什么？
JAX-SPH框架结合了流体动力学与深度学习，能够高效模拟单相和两相流，并增强训练和推理性能。
如何提高基于GNN的模拟器的性能？
通过采用标准SPH求解器的组成部分，如压力、黏性和外力，来增强基于GNN的模拟器的训练和推理性能。
JAX-Fluids的最新版本有哪些改进？
新版本的JAX-Fluids提供了增强的两相流模拟能力、高阶数值离散方案和正性保持限制器，以增加鲁棒性。
Smooth Particle Networks (SPNets)的作用是什么？
SPNets框架将流体动力学与深度网络结合，能够在深度网络中直接实现流体动力学并学习流体参数。
粒子聚类现象在SPH中有什么重要性？
粒子聚类现象是SPH中的关键特性，影响流体模拟的准确性和稳定性。
JAX-SPH框架如何支持虚拟智能体的行为仿真？
JAX-SPH框架结合了平行SPH模型与分布式虚拟智能体的鸟群模型，实现智能体与流体的交互和导航仿真。
