Les lois physiques de l’écoulement quotidien de l’eau ont été établies il y a deux siècles. Cependant, les scientifiques ont aujourd’hui du mal à simuler virtuellement un écoulement d’eau perturbé, par exemple lorsqu’une main ou un objet modifie son écoulement.
Aujourd’hui, une équipe de recherche de l’Université du Tohoku a exploité le pouvoir de l’apprentissage par renforcement profond pour reproduire l’écoulement de l’eau lorsqu’il est perturbé. La reproduction de ce mouvement de liquide agité, comme on l’appelle, leur a permis de recréer le débit d’eau en temps réel sur la base seulement d’une petite quantité de données provenant de l’eau réelle. La technologie ouvre la possibilité d’interactions de réalité virtuelle impliquant l’eau.
Les détails de leurs découvertes ont été publiés dans la revue Transactions ACM sur les graphiques le 17 septembre 2023.
La création d’une technique de mesure du débit et d’une méthode de reconstruction du débit reproduisant le mouvement d’un liquide agité a été cruciale pour cette percée.
Pour collecter des données sur les flux, le groupe, composé de chercheurs de l’Institut de recherche sur les communications électriques (RIEC) de l’Université de Tohoku et de l’Institut des sciences des fluides, a placé des bouées dotées de marqueurs magnétiques spéciaux sur l’eau. Le mouvement de chaque bouée pourrait ensuite être suivi à l’aide d’un système de capture de mouvement magnétique. Pourtant, cela ne représentait que la moitié du processus. L’étape cruciale consistait à trouver une solution innovante pour récupérer le mouvement détaillé de l’eau à partir du mouvement de quelques bouées.
« Nous avons surmonté ce problème en combinant une simulation fluide avec un apprentissage par renforcement profond pour effectuer la récupération », explique Yoshifumi Kitamura, directeur adjoint du RIEC.
L’apprentissage par renforcement est le processus d’essais et d’erreurs par lequel l’apprentissage a lieu. Un ordinateur effectue des actions, reçoit des commentaires (récompenses ou punitions) de son environnement, puis ajuste ses actions futures pour maximiser ses récompenses totales au fil du temps, un peu comme un chien associe les friandises à un bon comportement. L’apprentissage par renforcement profond combine l’apprentissage par renforcement avec des réseaux de neurones profonds pour résoudre des problèmes complexes.
Tout d’abord, les chercheurs ont utilisé un ordinateur pour simuler un liquide calme. Ensuite, ils ont fait en sorte que chaque bouée agisse comme une force qui pousse le liquide simulé, le faisant couler comme un vrai liquide. L’ordinateur affine ensuite la manière de pousser via un apprentissage par renforcement profond.
Les techniques précédentes suivaient généralement de minuscules particules en suspension dans le liquide à l’aide de caméras. Mais il restait encore difficile de mesurer le flux 3D en temps réel, surtout lorsque le liquide se trouvait dans un récipient opaque ou était lui-même opaque. Grâce à la technique développée de capture de mouvement magnétique et de reconstruction du flux, la mesure du flux 3D en temps réel est désormais possible.
Kitamura souligne que la technologie rendra la réalité virtuelle plus immersive et améliorera la communication en ligne. « Cette technologie permettra la création de jeux VR dans lesquels vous pourrez contrôler des objets en utilisant de l’eau et ressentir réellement l’eau dans le jeu. Nous pourrons peut-être transmettre le mouvement de l’eau sur Internet en temps réel afin que même ceux qui sont loin puissent en faire l’expérience. » le même mouvement d’eau réaliste.
