Conference

Lifting the Winding Number: Precise Discontinuities in Neural Fields for Physics Simulation

Yue Chang, Mengfei Liu, Zhecheng Wang, Peter Yichen Chen, Eitan Grinspun

University of Toronto; MIT

SIGGRAPH 2025Animation & SimulationPhysics SimulationReduced Order ModelingNeural FieldsWinding NumberCutting SimulationDiscontinuity
Paper

一句话总结

本文提出 Wind Lifter：用广义缠绕数（generalized winding number）把二维坐标”抬升”到三维，从而让本来天生连续的神经场能够精确表示切割带来的位移不连续，并支撑可实时、可交互编辑切缝的降阶物理仿真。

研究背景

  • 领域现状：降阶模型（ROM）通过离线预计算一小组运动模态，在线只解算少量自由度，能把可变形体仿真加速几个数量级。近年来还出现了用神经场表示模态基的做法，其预计算与具体网格离散无关，可跨几何泛化。
  • 核心痛点：切割薄壁结构（纸、叶片、织物）会在原本连续的位移场里引入严格的空间不连续。传统基于网格的 ROM 把基函数与离散绑定，切缝一变就要重划网格并重新预计算；而神经场天生连续（谱偏置偏好低频、平滑输出），要么无法表达不连续，要么把不连续”烤进”网络权重里，只能复现训练时见过的那一条切缝，且切缝边界精度受限。
  • 本文 idea：不去硬改神经场表达不连续的能力，而是把”学一个不连续场”这个难题转化为”学一个处处连续的体积场”这个更容易的任务——用切线的广义缠绕数作为额外输入维度，把定义域从二维抬升到三维，让切缝两侧原本相邻的点在三维中被拉开距离，不连续则通过把连续场限制回切线图上而自然浮现。

方法

整体框架：设二维待求场 \(f:\Omega\to\mathbb{R}\) 在曲线 \(\Gamma\) 上不连续。方法引入一个解析的、在 \(\Gamma\) 上跳变的高度函数 \(H(\boldsymbol{x})\)，用它把点抬升为 \(L(\boldsymbol{x})=(\boldsymbol{x},H(\boldsymbol{x}))\)；再训练一个处处连续的体积神经场 \(\tilde f_\theta\)，最终二维场定义为它在抬升图上的限制 \(f=\tilde f_\theta\circ L\)。切缝的几何完全由 \(H\) 承载，与网络权重解耦。

flowchart LR
  A["二维坐标 x=(x,y)"] --> B["缠绕数场 H_α(x)<br/>解析计算, 随切缝更新"]
  B --> C["抬升 L: (x, y, H)"]
  C --> D["连续体积神经场 φ̃_θ<br/>SIREN MLP"]
  D --> E["限制回切线图<br/>得到不连续位移基 Φ_α"]
  E --> F["降阶动力学求解<br/>更新约化坐标 z"]

关键设计：

  1. 抬升与限制（核心）：因为 \(H\) 在 \(\Gamma\) 上跳变，抬升图 \(L\) 把切缝的正反两侧 \(\Gamma^+\) 与 \(\Gamma^-\) 分离到三维空间的不同高度。于是神经场只需拟合一个光滑体积函数，不用去逼近任何尖锐跳变；不连续来自”把连续场限制回这张分离的图”。这既回避了谱偏置难题，又让编辑切缝变成直接修改高度函数 \(H\) 的事。

  2. 缠绕数作为高度函数：任何在 \(\Gamma\) 上不连续的函数都可当高度，本文选广义缠绕数场，它是带跳变边界条件的调和函数、可快速求值，形如 \(H(\boldsymbol{x})=\int_0^1 \frac{\Gamma'(s)\cdot(\Gamma(s)-\boldsymbol{x})^{\perp}}{\vert \Gamma(s)-\boldsymbol{x}\vert ^2}\,ds\)。它对开曲线仍有定义（软内外判定），适合表示还没切通的部分切缝，这是 SDF、占据函数等仅适用于闭合边界的描述子做不到的。

  3. 渐进切割参数化：引入 \(\alpha\in[0,1]\) 表示已切割的比例，只需把缠绕数积分上限改成 \(\alpha\)，即 \(H_\alpha(\boldsymbol{x})=\int_0^{\alpha}\frac{\Gamma'(s)\cdot(\Gamma(s)-\boldsymbol{x})^{\perp}}{\vert \Gamma(s)-\boldsymbol{x}\vert ^2}\,ds\)，同时把体积神经场也以 \(\alpha\) 为条件。切缝延长、移动或改形只需在运行时重新解析计算缠绕数，无需重训网络、无需重划网格。

  4. 降阶建模与训练：位移场用线性降阶 \(\boldsymbol{u}=\boldsymbol{z}^{T}\boldsymbol{\Phi}_\alpha\)，\(k\) 个位移基用同一套网络权重输出 \(k\) 维实现联合训练。训练兼容两种范式：数据驱动（最小化对仿真快照的重建损失）和无数据（直接最小化 StVK 等弹性能，仅靠采样定义域，不需全阶仿真数据）。仿真时每步通过优化更新约化坐标 \(\boldsymbol{z}\)，变形梯度由神经场的空间梯度经自动微分高效得到。此外对裂尖处缠绕数梯度发散（力学中的裂尖应变奇异）用三次样条核在端点邻域做光滑处理。

实验结果

主实验为各示例的规模与时间统计（在 NVIDIA RTX 4090 + AMD 7950X 上测得）。相比全空间仿真每帧约 1.1s，本文方法在有切缝变化时仍达 28.5～42.4 fps、无变化时 62～166 fps，速度提升约 30×～183×；训练时间从不到一分钟到不足一小时，远低于动辄数小时/数天的许多神经方法。

示例 顶点数（k） 训练时间（s） 有切缝变化每步（ms） 无切缝变化每步（ms）
hand 50 53 23.56 8.57
leaf 50 78 25.40 9.96
butterfly 90 73 34.86 14.89
helical 100 161 35.32 14.77
generalization 100 81 35.11 15.15
kirigami 137 2760 30.95 16.01
slit 20 1740 25.33 6.02

其余关键结论以文字补充：在数据驱动设置下与 LiCROM、Simplicits、以及把 LiCROM 的 MLP 换成 DANN 的基线对比，训练集上所有数据驱动方法重建误差均低于 0.14%，本文误差最低；在相同网络规模与激活下，本文相较 LiCROM 把均方误差降低约一个数量级且收敛更快。对训练中未见的切缝形状，仅需把 \(\Gamma\) 更新到新位置即可适应而无需重训，当测试与训练切缝的归一化间隙差异低于 15% 时无明显视觉瑕疵；无数据基线 Simplicits 因内建连续性会把切缝两侧”粘”在一起。作者还用真实纸张剪出螺旋切缝，其最终下垂状态与仿真结果吻合。

亮点与局限

  • 亮点：
    • 把”学不连续场”这一神经场公认难题巧妙转化为”学连续体积场”，思路干净、数学清晰。
    • 不连续与网络权重解耦，切缝可在仿真过程中实时延长、移动、改形，支持交互式切缝设计——这是把不连续烤进权重的纯神经场方法（如 LiCROM）和依赖网格的方法都难以做到的。
    • 无数据训练也能表示不连续，且做到实时（数十 fps），相对全空间仿真有几十到上百倍加速。
    • 对未见切缝位置具备一次性泛化能力。
  • 局限：
    • 未处理碰撞与自碰撞，而真实应用中相互接触的响应往往关键。
    • 切缝表示限于分段线性折线，尚未支持贝塞尔等高阶参数曲线。
    • 面对与训练分布差异显著的缠绕数分布（明显的分布外场景）性能下降，泛化仍有边界。
    • 方法聚焦二维域上的薄壁结构。

延伸思考

  • 缠绕数天然支持开曲线的”软内外判定”，这一点是它优于 SDF / 占据函数的关键，也提示在其他需要表示演化中开放边界（如渐进裂纹、未闭合边界层）的问题里，缠绕数抬升可能同样有用。
  • 论文末尾提到一个值得追问的方向：既然神经场本身是体积的，能否用多张缠绕数图（多个候选切缝位置）同时监督同一个体积场，从而进一步提升切缝泛化能力，这几乎是”一份连续表示服务一族不连续”的自然延伸。
  • 把切缝几何与网络权重解耦、让编辑等价于改一个解析高度函数，这种”连续骨架 + 解析调制”的范式或可迁移到其他需要可编辑不连续/尖锐特征的神经表示任务（如带锐边的隐式几何、带界面跳变的物理场）。