유체 시뮬레이션에 소비되는 자원과 시간을 줄이기 위해 다양한 방법들이 연구되고 있다. 그 중 딥 러닝을 활용해 물리적 속성을 학습하여 연산 시간과 자원 소모를 대폭 줄이려는 방법들이 활발하게 연구되고 있다. 딥 러닝을 통해 유체의 물리적 속성을 학습할 경우 알고리즘으로 구성된 시뮬레이션보다 정확도는 떨어지나 다양한 장면에서 일반화가 가능해진다. 본 연구는 정확도가 다소 부족하더라도 딥 러닝이 그래픽에서 많이 이용되는 점을 고려하여 진행하게 되었다.
본 논문에서는 SPH 시뮬레이션을 통해 학습 데이터를 만들고 제안하는 모델인 FLNet을 이용하여 Level set을 계산한 후 유체 표면 재구성을 시도한다. 비교를 위해 Machine Learning의 회귀 모델과 LSTM, ANN 모델을 이용한다.
비교 모델들 중 가장 시각적, 수치적 성능이 좋았던 모델은 제안하는 모델인 FLNet(DNN)이며 가장 빠른 학습 시간과 시각적으로 유의미한 결과를 보인 모델은 ANN이다. 학습 시간과 성능을 종종합하 평가했을 때 가장 성능이 좋지 않은 모델은 LSTM이었다.
유체가 갖는 물리적 속성을 학습시켜 Level set을 예측할 때 입력 특징으로 밀도가 학습에 미치는 영향이 가장 컸으며 학습 손실과 검증 손실의 수치에 다른 특징들의 값들은 큰 차이가 없어 다양한 장면에서 특징들을 분석할 필요가 있다. 또한, 학습의 입력에 사용되지 않은 외력과 중력의 영향으로 RMSE값의 폭이 커지는 것을 보았을 때 입력 특징으로 포함한다면 RMSE의 값을 줄이는데 도움이 될 것으로 보인다.