DiffPhD: A Unified Differentiable Solver for Projective Heterogeneous Materials in Elastodynamics with Contact-Rich GPU-Acceleration

📄 arXiv: 2605.14526v1 📥 PDF

作者: Shih-Yu Lai, Sung-Han Tien, Jui-I Huang, Yen-Chen Tseng, Yi-Ting Chiu, Siyuan Luo, Ziqiu Zeng, Fan Shi, Peter Yichen Chen, Tiantian Liu, Yu-Lun Liu, Bing-Yu Chen

分类: cs.GR, cs.DC, cs.RO, math.NA

发布日期: 2026-05-14

💡 一句话要点

DiffPhD：统一可微求解器，加速含接触的非均匀弹性动力学模拟

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 可微模拟 投影动力学 异构材料 超弹性 GPU加速

📋 核心要点

  1. 现有可微投影动力学方法难以处理真实世界中常见的异构材料、大变形和复杂接触问题。
  2. DiffPhD通过刚度感知权重、信任域特征值滤波和统一的GPU流水线，实现了高效稳定的可微模拟。
  3. DiffPhD在异构、超弹性、富含接触的场景中，比现有方法加速高达一个数量级，且保持了良好的收敛性。

📝 摘要（中文）

软体的可微模拟是系统辨识、轨迹优化和Real2Sim迁移的基础。然而，现有的方法，如可微投影动力学(DiffPD)，在面对具有极端刚度对比的异构材料、大变形下的超弹性以及富含接触的相互作用时会遇到困难，这些都是现实世界中的常见场景。我们提出了DiffPhD，一个统一的GPU加速可微投影动力学框架，用于异构材料，可以同时解决这些相互交织的挑战。我们的关键见解是仔细整合了：(i) 刚度感知的投影权重，将异质性嵌入到全局系统中；(ii) 信任域特征值滤波，提升到反向传播，用于稳定的超弹性梯度，以及具有双门限收敛的II型安德森加速方案，以稳定大型刚度对比下的前向迭代；(iii) 统一的GPU流水线，在正向、反向和接触计算中重用单个稀疏因子，并将刚度放大的瑞利阻尼折叠到同一因子中，以实现零重复成本的异质性感知耗散。DiffPhD实现了严格的梯度精度，同时在异构、超弹性、富含接触的基准测试中，比之前的可微求解器实现了高达一个数量级的加速。至关重要的是，这种加速并非以牺牲稳定性为代价：DiffPhD在高达100倍的刚度对比下仍然收敛，而之前的PD求解器则会退化。这解锁了在以前受求解器脆弱性或每次迭代成本限制的区域上的端到端基于梯度的优化——壳-关节复合生物、挥舞坚硬武器的软角色以及软抓手机器人操作——所有这些都在单个正向-反向传递中处理。

🔬 方法详解

问题定义：论文旨在解决软体可微模拟中，现有方法在处理具有极端刚度对比的异构材料、大变形下的超弹性以及富含接触的相互作用时遇到的困难。现有方法，如DiffPD，在这些复杂场景下，计算效率低，稳定性差，难以进行有效的梯度优化。

核心思路：论文的核心思路是将异构材料的特性融入到可微投影动力学框架中，通过刚度感知的投影权重、信任域特征值滤波和统一的GPU流水线，实现高效且稳定的模拟。这种设计允许在单个正向-反向传递中处理复杂的物理交互，从而加速梯度优化过程。

技术框架：DiffPhD的整体框架包括以下几个主要模块：1) 刚度感知投影权重计算：根据材料的刚度分布，调整投影权重，将异质性嵌入到全局系统中。2) 信任域特征值滤波：在反向传播中使用信任域特征值滤波，以获得稳定的超弹性梯度。3) II型安德森加速：采用具有双门限收敛的II型安德森加速方案，稳定大型刚度对比下的前向迭代。4) 统一GPU流水线：设计一个统一的GPU流水线，在正向、反向和接触计算中重用单个稀疏因子，并将刚度放大的瑞利阻尼折叠到同一因子中。

关键创新：DiffPhD的关键创新在于其对异构材料的建模和优化方式。传统的投影动力学方法难以有效地处理具有极端刚度对比的材料，而DiffPhD通过刚度感知的投影权重和信任域特征值滤波，实现了对这些材料的稳定且高效的模拟。此外，统一的GPU流水线显著提高了计算效率。

关键设计：在刚度感知投影权重计算中，权重根据材料的刚度进行调整，使得刚度较高的区域对全局系统的影响更大。在信任域特征值滤波中，通过对特征值进行滤波，可以抑制不稳定的梯度。在II型安德森加速中，双门限收敛策略可以有效地加速迭代过程，并提高收敛性。瑞利阻尼被折叠到稀疏因子中，以实现零重复成本的异质性感知耗散。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DiffPhD在异构、超弹性、富含接触的基准测试中，比之前的可微求解器实现了高达一个数量级的加速。在高达100倍的刚度对比下，DiffPhD仍然保持收敛，而之前的PD求解器则会退化。这使得DiffPhD能够处理以前难以优化的复杂场景，如壳-关节复合生物、挥舞坚硬武器的软角色以及软抓手机器人操作。

🎯 应用场景

DiffPhD可应用于机器人控制、虚拟现实、游戏开发等领域。例如，可以用于训练软体机器人进行复杂操作，模拟生物组织的力学行为，或创建更逼真的游戏物理效果。该研究为Real2Sim迁移和基于梯度的优化提供了更强大的工具。

📄 摘要（原文）

Differentiable simulation of soft bodies is a foundation for system identification, trajectory optimization, and Real2Sim transfer. Yet, existing methods such as the differentiable Projective Dynamics (DiffPD) struggle when faced with heterogeneous materials with extreme stiffness contrasts, hyperelasticity under large deformations, and contact-rich interactions, which are common scenarios in the real world. We present DiffPhD, a unified GPU-accelerated differentiable Projective Dynamics framework for heterogeneous materials that tackles these intertwined challenges simultaneously. Our key insight is a careful integration of: (i) stiffness-aware projective weights to embed heterogeneity into the global system; (ii) trust-region eigenvalue filtering lifted to the backward pass for stable hyperelastic gradients and a type-II Anderson Acceleration scheme with dual-gate convergence to stabilize forward iteration under large stiffness contrasts; and (iii) a unified GPU pipeline that reuses a single sparse factor across forward, backward, and contact computations, with stiffness-amplified Rayleigh damping folded into the same factor for heterogeneity-aware dissipation at zero recurring cost. DiffPhD achieves strict gradient accuracy while delivering up to an order-of-magnitude speedup over prior differentiable solvers on heterogeneous, hyperelastic, contact-rich benchmarks. Crucially, this speedup does not come at the cost of stability: DiffPhD remains convergent on stiffness contrasts up to 100x where prior PD solvers degrade. This unlocks end-to-end gradient-based optimization on regimes previously bottlenecked by either solver fragility or per-iteration cost -- shell--joint composite creatures, soft characters wielding stiff weapons, and soft-gripper robotic manipulation -- all handled within a single forward--backward pass.