科研 IPC libuipc FEM ABD Neo-Hookean 超弹性材料 Neural IPC

从 libuipc 到 Neo-Hookean：IPC 预训练数据生成中的物理概念梳理

Disboundary2026-06-242026-06-24

背景

这几天的学习主要围绕一个问题展开：

如果要用 libuipc 生成多物体随机碰撞数据，并进一步服务于 Neural IPC 或 contact-aware 模型训练，我到底需要理解哪些物理和工程概念？

最开始我只是在追踪数据生成脚本怎么跑，后来发现背后其实连着几层知识：

libuipc 的场景组织方式；
rollout 数据在训练中的意义；
FEM、ABD、shell 和 rigid body 的差别；
Neo-Hookean 等超弹性材料模型在 FEM 中的位置；
Neural Surrogate、Neural Constitutive Model 和 Neural IPC 分别在学什么。

本文把三篇每日学习笔记整合成一条主线：先从 libuipc 工程对象入手，再进入物理建模，最后回到机器学习到底应该学材料、学力，还是学接触。

1. libuipc 里的核心对象

libuipc 可以先粗略理解成一套面向 IPC 仿真的物理系统。它里面有四个非常重要的对象：

Scene：静态剧本，定义场景里有什么物体、材料、接触、约束和重力；
Object：物体容器，比如一个 cube、shell 或 cloth；
Geometry：物体真正携带的几何、拓扑和顶点数据；
World：真正推进仿真的执行器。

一个比较直观的类比是：

对象	类比
`Scene`	实验设计图
`Object`	实验里的参与者
`Geometry`	参与者的身体形状
`World`	真正开始实验并推进每一帧的人

典型工作流是：

建立 Scene
  -> 添加 Object
  -> 给 Object 绑定 Geometry
  -> 设置材料与接触参数
  -> world.init(scene)
  -> world.advance()
  -> world.retrieve()
  -> 保存顶点轨迹

这和当前数据生成任务可以直接对应起来：

geometry_dataset_factory 提供 mesh.obj；
OBJ 被读成 Geometry；
多个 Geometry 组成多物体 Scene；
World 推进后输出碰撞轨迹；
这些轨迹就是 neural IPC 的训练数据来源。

第一阶段可以先做最小真数据：从已有 surface mesh 里采样多个物体，随机放置、赋初速度，让它们在 libuipc 中真实碰撞。此时目标不是马上做最复杂的 FEM，而是先把“几何资产 -> 仿真 -> 轨迹导出”的链条跑通。

2. rollout 和 Learned Surrogate

在强化学习和物理学习中，rollout 通常指从某个初始状态开始，把系统往后推演一段时间，得到一串状态轨迹。

在当前任务里，一个 rollout 可以理解成：

1
2
3

初始几何、速度、材料、接触参数
  -> libuipc 真实仿真
  -> x_0, x_1, x_2, ..., x_T

这些序列可以被用作训练数据，让模型学习：

$x_t \rightarrow x_{t+1}$

或者更细一点：

$(x_t, v_t, geometry, contact) \rightarrow (x_{t+1}, v_{t+1})$

这里就引出 Learned Surrogate Model：用机器学习或深度学习方法训练出来的轻量模型，用来近似替代复杂物理仿真器。

它的优势主要有两个：

推理速度快；
天然适合反向传播。

但这里要注意一个逻辑顺序：不是“反向传播天然可微”，而是“神经网络由可微算子组成，所以可以用反向传播高效计算梯度”。

一个简单网络可以写成：

$y = \operatorname{Activation}(W_2 \operatorname{Activation}(W_1x+b_1)+b_2)$

矩阵乘法、加法和大多数激活函数都可以求导，因此整个复合函数也可以通过链式法则求导：

$\frac{\partial Loss}{\partial A} = \frac{\partial Loss}{\partial C} \frac{\partial C}{\partial B} \frac{\partial B}{\partial A}$

反向传播本质上就是链式法则的高效实现。

传统物理引擎则不同。碰撞、分支判断、离散接触状态切换会让系统在某些时刻不连续或不可微。IPC 的价值之一就在于它把接触以能量和约束优化的方式写出来，使接触问题有更好的数值稳定性和优化结构。

3. Python 绑定与 vcpkg：把 C++ 仿真接进 Python 数据管线

libuipc 本体主要是 C++ 写的，但数据生成、采样和训练前处理更适合放在 Python 里写。

这时就需要 Python 绑定。

直观理解：

C++ 库像高性能发动机；
Python 是驾驶室；
Python 绑定就是把发动机控制接口接到驾驶室里。

没有 Python 绑定时，只能用 C++ 调用 libuipc，或者手动看底层源码。有了绑定后，就可以在 Python 中写：

import uipc

scene = ...
world = ...
world.init(scene)
world.advance()
world.retrieve()

而 vcpkg 则是 C++ 世界里的依赖管理器，类似：

Python 的 pip；
Node 的 npm；
Rust 的 cargo。

libuipc 依赖大量 C++ 库，例如 eigen3、fmt、spdlog、libigl、tbb 等。手动安装这些库非常痛苦，vcpkg 的作用就是统一下载、编译、安装，并告诉 CMake 到哪里找它们。

当前任务可以抽象成四层：

vcpkg 安装 C++ 依赖
  -> 构建 libuipc
  -> Python 绑定暴露 uipc 模块
  -> Python 脚本采样场景并导出训练数据

4. FEM：从连续物体到四面体网格

FEM 是 Finite Element Method，即有限元方法。它是工程仿真和图形学物理仿真中非常基础的方法。

如果要模拟一个连续物体，比如橡胶球，FEM 会先把它离散成 tetrahedral mesh：

连续物体
  -> tet mesh
  -> 每个 tetrahedron 计算应变和应力
  -> 汇总成顶点力
  -> 推进运动

在能量形式下，FEM 常常从弹性能量开始：

$\Psi(F)$

其中 $F$ 是 deformation gradient，即变形梯度。它描述局部材料从原始坐标 $X$ 到当前坐标 $x$ 的变形：

$F = \frac{\partial x}{\partial X}$

然后由能量求力：

$f = -\frac{\partial \Psi}{\partial x}$

FEM 的优点是物理准确，是工程界标准。Abaqus、Ansys、SOFA、IPC 等系统中都能看到 FEM 的影子。

但 FEM 也有一个重要门槛：3D FEM 通常不能直接拿普通 OBJ surface mesh 来算，它需要体网格。

也就是说：

bunny.obj

通常还不能直接用于 3D FEM，需要先变成：

1	bunny.tet / bunny.msh

这也是为什么数据生成管线里需要 tetrahedralization。

5. ABD：Affine Body Dynamics 为什么适合快速仿真

ABD 是 Affine Body Dynamics。它可以理解成 rigid 和 full FEM 之间的一种折中。

传统 FEM 可能有：

1 2	10000 vertices 50000 tetrahedra

每个 tetra 都有自己的 deformation gradient $F$ 。

ABD 则把一块区域看成仿射变换：

$x' = Ax + b$

其中 $A \in \mathbb{R}^{3 \times 3}$ 表示旋转、拉伸和剪切， $b$ 表示平移。

因此它的建模单位从 tetrahedron 变成了 affine element 或 cluster：

1
2
3

Object
  -> Affine Element
  -> Energy

而不是：

1 2	Tet -> Energy

这会明显降低自由度。传统 FEM 的计算量大致跟 tet 数量相关，而 ABD 更接近跟 cluster 数量相关：

1 2	FEM: O(#tet) ABD: O(#cluster)

从机器学习角度看，ABD 也很有意思。每个 cluster 的状态里天然有一个 $A$ ，这很像一个 token：

Cluster 1
Cluster 2
Cluster 3
...

因此 ABD 比逐 tet 的 FEM 更容易和 Transformer 式模型发生联系。

不过，对于当前第一版多物体随机碰撞数据来说，优先级并不是立刻深入 ABD。更合理的顺序是：

libuipc 安装
  > 随机场景生成
  > 轨迹导出
  > contact 信息导出
  > ABD / FEM / shell 细节

否则很容易陷入求解器细节，却迟迟生成不了数据。

6. 超弹性材料模型：从能量函数到应力

超弹性材料模型的核心是定义应变能密度函数：

$\Psi(F)$

然后由能量求应力：

$P = \frac{\partial \Psi}{\partial F}$

最终 FEM 中再通过能量对位置求导得到力：

$f = -\frac{\partial \Psi}{\partial x}$

常见超弹性模型包括：

模型	特点	适用场景
StVK	小变形简单，大变形容易不稳定	入门教材、简单测试
Neo-Hookean	经典、稳定、大变形可用	橡胶、软球、果冻
Corotated	对大旋转友好	图形学仿真
Mooney-Rivlin	比 Neo-Hookean 更适合真实橡胶	工业橡胶材料
Yeoh	拟合能力强，参数相对少	非线性橡胶
Ogden	表达能力很强，但参数复杂	高精度材料拟合
ARAP	尽可能保持刚体	几何编辑、形状变形

这些模型本质上都回答一个问题：

局部材料变形成 $F$ 之后，系统应该储存多少弹性能量？

7. Neo-Hookean：FEM 里的“弹簧常数升级版”

Neo-Hookean 是 FEM 里最经典的超弹性材料模型之一。

一维弹簧里，我们有：

$F = -kx$

能量是：

$E = \frac{1}{2}kx^2$

三维连续体里，拉伸、压缩、剪切、扭转不能再用一个 $x$ 描述，于是引入变形梯度 $F$ 。

Neo-Hookean 的常见形式是：

$\Psi(F) = \frac{\mu}{2}(I_C-3) - \mu \ln J + \frac{\lambda}{2}(\ln J)^2$

其中：

$J = \det(F)$

表示体积变化；

$I_C = \operatorname{tr}(F^T F)$

表示拉伸程度；

$\mu,\lambda$

是 Lamé 参数，通常由 Young’s Modulus 和 Poisson Ratio 换算而来。

三个项可以粗略理解为：

$\frac{\mu}{2}(I_C-3)$ 控制拉伸和剪切；
$-\mu \ln J$ 防止体积无限缩小；
$\frac{\lambda}{2}(\ln J)^2$ 控制体积变化代价。

在 libuipc 中可以这样理解：

Tet Mesh
  -> Neo-Hookean
  -> Elastic Energy
  -> IPC Solver
  -> Motion

如果把材料换成 Corotated、StVK 或 Ogden，物体的变形行为也会变。

8. Neural IPC 到底应该学什么

这几天最大的收获，是把几个容易混在一起的问题分开了。

很多 Neural Constitutive Model 工作的价值主要是：

更强材料表达能力

而不一定是：

更快求解

例如真实材料可能不是简单 Neo-Hookean 能描述的：

针织布；
毛衣；
羽绒服；
牛仔裤；
泡沫；
人体组织。

它们可能具有各向异性、滞回、蠕变、塑性或复杂微结构。这时学习一个神经材料模型：

$\Psi_\theta(F)$

或者：

$(F_t, h_t) \rightarrow P_t$

确实有意义。

但对于当前的多物体碰撞数据生成任务，真正的难点并不一定是材料能量，而是接触：

谁碰谁
什么时候碰
碰撞后怎么交换动量
摩擦怎么传递
如何避免穿透

两个 Neo-Hookean 球如果没有接触模型，也会直接穿过去。而即使把材料模型简化成刚体，只要接触处理正确，依然能产生合理的碰撞现象。

因此，对于 IPC / GeoPT / UniSoma 这条线，一个更值得关注的方向可能是：

Mesh
  -> Geometry Representation
  -> Contact Graph / Contact Force
  -> IPC or learned dynamics

而不是简单地：

1 2	Mesh -> Neo-Hookean

后者更像是在学习一个已经有成熟解析模型、并且在很多场景下不是最大瓶颈的部分。

9. 学 $P$ 还是学 $\Psi$

另一个关键问题是：神经网络应该直接学应力 $P$ ，还是学能量 $\Psi$ ？

如果直接学习：

$P_\theta(F)$

可能出现一个问题：它不一定对应某个真实能量函数。

也就是说：

$P_\theta \neq \frac{\partial \Psi}{\partial F}$

这会带来能量不守恒、数值爆炸等风险。

因此很多工作会回到学习能量的路线：

$\Psi_\theta(F)$

再通过自动微分得到：

$P_\theta(F)=\frac{\partial \Psi_\theta}{\partial F}$

这条路线更容易把物理先验写进模型，也更容易维持数值稳定性。

10. 当前任务的优先级

结合这三篇学习笔记，我对当前任务的优先级重新排序如下：

先让 libuipc 的安装、构建和 Python/C++ 调用链跑通；
从 geometry_dataset_factory 中稳定采样 mesh；
先生成 rigid / ABD 风格的多物体随机碰撞数据；
统一导出格式，例如 x[t, object, vertex, 3]、object id、mesh topology；
加入 contact label、contact force 或 contact graph；
再扩展到 FEM soft body；
最后考虑 shell、cloth 与 mixed physics scene；
如果要做神经材料模型，再区分学习 $P_\theta$ 还是 $\Psi_\theta$ 。

短期目标不应该是把所有物理模型一次性搞懂，而是先建立一条稳定的数据生产线：

Geometry Dataset
  -> Scene Sampling
  -> libuipc Simulation
  -> Rollout Export
  -> Visualization Check
  -> Training Data Format

等数据链条稳定后，再逐步把 rigid、ABD、FEM、shell 和 neural surrogate 接起来。

小结

这三篇每日学习笔记最终串成了一个更清晰的认识：

libuipc 是数据生成的真实物理引擎；
rollout 是训练 neural surrogate 的基本数据形式；
FEM 需要体网格，适合高精度弹性体；
ABD 降低自由度，更适合快速仿真和 token 化理解；
Neo-Hookean 是最经典的大变形超弹性材料模型；
Neural Constitutive Model 主要增强材料表达能力；
Neural IPC 更值得关注的可能是 contact dynamics，而不只是材料能量。

所以，接下来最重要的不是“马上学会所有材料模型”，而是把数据生成、接触标注和训练格式真正打通。对于当前阶段，能稳定地产生可信的多物体接触 rollout，比堆更多概念更重要。