Neural-Assisted Homogenization of Yarn-Level Cloth

一句话总结

本文提出一种神经辅助的纱线级布料均质化本构模型，用具备光滑高阶导数的神经网络替代传统 Hermite 插值来表示应变能密度函数，并配合扇区式热启动数据采集与安全防护策略，使连续介质布料仿真在无线搜索、大时间步（可达 \(1/30\) 秒）下保持数值稳定，相比已有均质化模型获得至少两个数量级的加速。

研究背景

纱线级布料仿真能刻画针织物的卷边等精细视觉特征，但因纱线动力学的强非线性与大量接触，计算代价高昂、时间步受限。为提速，已有工作提出纱线级布料的数值均质化（HYLC）：给定纱线物理属性与局部几何图案，通过纱线图案仿真近似出应变能密度函数，并将其表达为第一、第二基本形式组合（称为 HYLC 应变空间）的函数，再用 Hermite 插值在采样节点上拟合，从而在连续介质仿真器中复现纱线级行为。

然而，即便对 Hessian 做正定性修正，HYLC 在无线搜索的 Newton 类求解器中时间步仍被限制在约 \(10^{-4}\) 秒，难以用于交互场景。根源在于应变能密度函数在插值节点处的二阶导数不连续：Hermite 插值只保证节点处梯度连续，无法消除二阶导数的间断。这迫使仿真在精度与稳定性之间做权衡。

作者借鉴神经材料模型的思路，用神经网络表示本构模型：网络表示更紧凑，天然具备高阶可微的光滑性，从而缓解稳定性问题，无需人工精心挑选描述非线性材料行为的函数形式。

方法

整体框架分四步：先用带热启动的纱线图案仿真采集应变能密度数据；再训练具备光滑二阶导数的神经本构模型；随后把网络烘焙回 Hermite 插值函数以避免运行时推理开销；最后用安全防护策略处理超出采样域的形变，接入连续介质布料仿真器。

flowchart LR
  A["纱线图案仿真\n(DER + 接触)"] --> B["扇区式热启动\n数据采集"]
  B --> C["神经本构模型训练\n(五个 1D + 九个 2D 网络)"]
  C --> D["网络烘焙\n回 Hermite 插值"]
  D --> E["安全防护策略\n(超域二次外推)"]
  E --> F["连续介质布料仿真\n(隐式 Euler, 无线搜索)"]

关键设计一：扇区式热启动数据采集。纱线图案仿真被写成约束优化问题

\[\varphi^{*}_{s} = \min_{u}\ \varphi_{\text{pat}}(u),\quad \text{s.t.}\ C(u, s) = 0,\]

其中 \(u\) 为纱线涨落向量，\(\varphi_{\text{pat}}\) 含纱线弹性能与纱段间接触势，\(C\) 约束纱线图案的周期性与涨落。为加速采样，作者按极坐标把应变空间的节点点分入扇区（2D 用 \(64\) 个扇区，1D 用 \(2\) 个），在每个扇区内用广度优先搜索、从最靠近原点的根节点向大应变节点传播解，实现扇区级并行。相比从零仿真，该策略带来约十倍加速。为规避高维应变空间的维度灾难，能量密度沿用了将六维函数分解为常数项加一维、二维分量之和的简化。

关键设计二：光滑神经本构模型。作者用五个网络 \(\hat{\Psi}_i(s_i)\) 表示一维函数、九个网络 \(\hat{\Psi}_{ij}(s_i, s_j)\) 表示二维函数，每个都是三层 MLP、逐神经元用 sigmoid 激活。二维情形下，一个含 \(1137\) 参数的网络即可表示 \(101\times101\) 采样点的关系，而 bicubic Hermite 插值需 \(16000\) 个系数。训练损失为四项加权和

\[L^{\text{final}}_{I}(s_I;\epsilon) = w_Z L^{Z}_{I} + w_F L^{F}_{I} + w_C L^{C}_{I} + w_S L^{S}_{I}.\]

其中零阶预测损失拟合能量值、一阶预测损失拟合梯度（用有限差分近似）；三阶导数损失是稳定性的核心，通过压制三阶导数幅值使局部二次逼近更准确，从而抑制弹性能二阶导数的振荡；应变集中损失约束采样域外的行为，令域外负梯度大致指向 \(s = 0\)，保证能量在域外单调不减、向中心点集中。

关键设计三：网络烘焙与安全防护。运行时逐步做网络推理过于昂贵，故把网络在采样点上的函数值与一阶导数取出，重建分段 Hermite 插值函数（1D 用 \(200\) 个三次函数，2D 用 \(100\times100\) 个双三次函数），仿真时按 \(s\) 直接定位求值。因网络本身经三阶导数损失训练，烘焙回 Hermite 不会引入大的二阶间断。对超出采样域的三角形应变，安全防护策略构造二次函数、使其函数值与导数在采样域边界处相等（1D 保持 \(C^2\) 连续；2D 划分为 \(128\) 个扇区，用两条边界边上的二次函数按极坐标重心权重线性混合），缓解域内外二阶导数的差异以稳住仿真。

实验结果

稳定性方面，作者对每个 2D 烘焙本构模型均匀采样 \(10\text{K}\) 点、积分其二次展开并比较二次展开误差 \(E\)（越小表示三阶导数幅值越小、二次逼近越准）：

类型	Basket	Stockinette	Honeycomb	Cartridge
Sperl 等 2020	1.31e-3	2.67e-3	5.37e-3	1.60e-3
本方法	6.28e-4	4.05e-4	1.73e-3	1.26e-3

本方法的二次展开误差比 HYLC 低约 \(20\%\) 到 \(80\%\)。在无线搜索下，本方法能以 \(\Delta t = 1/30\) 秒稳定运行，而 HYLC 即便在 \(\Delta t = 1/1000\) 秒也会失败。精度上，对 \(5\text{cm}\times12\text{cm}\) stockinette 布条沿两个方向拉伸，以 DER 纱线级仿真为真值，本方法在两方向的 Hausdorff 距离分别为 \(0.69\) cm 与 \(0.72\) cm，而 HYLC 均超过 \(1.0\) cm。效率上，\(14\text{K}\) 顶点的针织 T 恤在 Intel i9-10850K CPU 上达 \(15\) FPS（\(\Delta t = 1/30\) 秒）；烘焙把 Karate 示例每帧本构相关耗时从 \(510\) ms 降到 \(65\) ms，整体相比已有均质化模型加速至少两个数量级。消融实验表明：一阶预测损失防止参考构型畸变；应变集中损失维持域外能量单调递增；把三阶导数损失权重从 \(0\) 增到 \(10^{-3}\)，最大稳定时间步从 \(1/5000\) 秒提升到 \(1/30\) 秒。

亮点与局限

亮点：用光滑激活的神经网络表示应变能密度，天然解决了 Hermite 插值二阶导数在节点处不连续这一稳定性根因；三阶导数损失把「稳定性」显式写进训练目标，直接换来大时间步；扇区式热启动兼顾并行与可扩展性，带来约十倍数据采集加速；网络烘焙回 Hermite 兼得神经表示的光滑与经典表示的运行时效率；安全防护策略给出采样域外的稳定外推。

局限：训练数据来自合成的纱线仿真而非真实测量，影响仿真真实性；模型省略了更高维的应变能分量，损失部分精度；数据采集与网络训练成本可观，对面料设计场景不够友好。

延伸思考

这项工作的思路是把「数值稳定性」从求解器层面（线搜索、Hessian 正定修正）前移到本构模型的表示与训练层面——只要模型本身高阶光滑、二次逼近足够准，求解器就能放心用固定步长的大时间步。这种「让表示自带良好性质」的范式对其他依赖插值本构的均质化问题（如针织、编织、超材料）有借鉴价值。另一个自然延伸是引入真实世界测量数据与更高维应变分量，朝作者设想的统一模型演进；而数据采集与训练成本较高的问题，或可借助更强的热启动、迁移学习或跨图案共享网络来摊薄。