UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation¶

会议: CVPR 2025
arXiv: 2505.16971
代码: https://himangim.github.io/UniPhy (有)
领域: 其他 / 物理仿真
关键词: 逆物理仿真, 本构模型, 潜变量优化, MPM仿真, 材料参数估计

一句话总结¶

提出 UniPhy，首个统一的潜变量条件本构模型，在共享潜空间中编码弹性体/沙子/塑料/牛顿/非牛顿流体等多种材料属性，推理时通过可微 MPM 仿真器优化潜变量以匹配观测粒子轨迹，重建误差比 NCLaw 低 1-2 个数量级。

研究背景与动机¶

领域现状：逆物理仿真从观测数据推断材料属性（如弹性模量、粘度）。现有方法要么为每种材料设计专用模型（如弹性用 Neo-Hookean、流体用 Navier-Stokes），要么用 NCLaw 等学习方法但需要预先指定材料类型。

现有痛点：真实场景中材料类型往往未知——一团看起来像软体的东西可能是弹性体也可能是塑料。现有方法需要先分类再推断属性，两步都可能出错。

核心矛盾：不同材料的物理行为差异巨大（弹性体回弹 vs 沙子崩塌 vs 流体流动），用一个模型统一表示似乎不切实际。

切入角度：将材料属性编码为连续潜向量——不同材料对应潜空间中的不同区域，但共享相同的神经网络架构。推理时只需优化潜向量就能自动"发现"材料类型。

核心 idea：潜变量条件的变形投影 \(g_\phi(F,z)\) + 本构律 \(f_\theta(F_{proj},z)\) = 统一的多材料物理模型。

方法详解¶

关键设计¶

潜变量条件的双网络架构:
- 功能：统一编码不同材料的物理行为
- 核心思路：两个神经网络：变形梯度投影函数 \(g_\phi(F,z)\) 将变形梯度投影到材料相关的子空间（如弹性体投影到体积保持流形），本构律函数 \(f_\theta(F_{proj},z)\) 从投影后的变形计算应力。潜向量 \(z\) 编码材料属性
- 设计动机：分离"变形如何分解"和"应力如何计算"——不同材料的变形投影方式不同（弹性保体积、沙子有屈服面），但应力计算的网络结构可以共享
通过可微 MPM 优化潜变量:
- 功能：从观测粒子轨迹推断材料属性
- 核心思路：将预训练的 \(g_\phi, f_\theta\) 嵌入可微物质点法（MPM）仿真器，固定网络参数，只优化潜向量 \(z\) 使仿真轨迹匹配观测。L2 距离作为损失
- 设计动机：通过仿真器的梯度流回到潜空间，实现"观测→材料"的端到端推断

损失函数 / 训练策略¶

训练：\(L = \sum_n \sum_t \sum_p (L(F_{proj}, \hat{F}_{proj}) + L(S, \hat{S}) + \frac{1}{\sigma^2}\|z_n\|^2)\)，含变形投影误差 + 应力误差 + 潜变量正则化。推理：L2 粒子位置误差。32 维潜空间最优。

实验关键数据¶

主实验¶

重建误差（×10⁻⁵）：

材料	UniPhy	NCLaw
弹性体	0.052	2.40
沙子	1.50	2.60
塑料	3.90	6.50
牛顿流体	0.011	2.00

消融实验¶

配置	弹性体误差
UniPhy (w/ teacher forcing)	0.052
UniPhy (w/o TF)	1.10
NCLaw (w/o TF)	36.0
潜空间 4 维	7.80
潜空间 32 维	1.10
潜空间 256 维	1.50

关键发现¶

UniPhy 比 NCLaw 低 1-2 个数量级——统一模型不仅可行，还比专用模型更好
32 维潜空间是最佳平衡——太小无法区分材料，太大过拟合
优化后的潜变量确实反映了材料类型——不同材料聚类到不同区域

亮点与洞察¶

统一 > 专用的反直觉结果——一个模型处理所有材料比为每种设计专用模型更好，可能因为跨材料的共享知识（如连续体力学的通用结构）
潜向量 = 材料指纹——不需要预先分类材料类型，优化后的潜向量自动编码了材料属性

局限与展望¶

仅支持均匀材料（无多材料混合）
需要已知初始几何和 3D 运动观测
仅在仿真数据上训练，真实世界泛化未验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首个统一多材料本构模型
实验充分度: ⭐⭐⭐⭐ 多材料类型，泛化测试充分
写作质量: ⭐⭐⭐⭐ 理论推导清晰
价值: ⭐⭐⭐⭐ 为逆物理仿真提供了新范式