【GAMES Webinar 2025-380期】
模拟动画专题
高性能物理仿真中的经典数值与神经网络方法
· 1 ·
报告题目
High-performance CPU Cloth Simulation Using Domain-decomposed Projective Dynamics
报告嘉宾
卢子璇
犹他大学
报告时间
2025年9月18号 上午10:00-10:30（北京时间）
报告方式
GAMES直播间:
https://live.bilibili.com/h5/24617282
报告摘要
CPU与GPU的架构差异决定了这两种平台上高性能仿真器的不同设计思路。本报告将分享我们在2025年SIGGRAPH上发表的最新成果：一种基于域分解法（Domain-decomposed method, DDM）的CPU高性能布料仿真器。数字服装设计通常以版片网格为起点，这为DDM提供了理想的初始化条件；进一步将板片分解为多个不重合的子网格，每个子网格的计算可在CPU上的独立线程中并行执行。我们采用了Projective Dynamics方法中local-global的迭代策略，基于DDM设计了局部投影方法和全局求解步骤。在常规规模问题中，该方法能够达到与GPU仿真器相当的性能表现。
嘉宾简介
卢子璇，犹他大学计算机系博士二年级，研究方向为基于物理的动画与仿真，在SIGGRAPH、TVCG发表多篇会议与期刊论文。她曾于中国科学院大学、中科院软件所获得学士、硕士学位。
个人主页
zixuanvickylu.github.io
· 2 ·
报告题目
Shape Space Spectra
报告嘉宾
常悦
多伦多大学
报告时间
2025年9月18号 上午10:30-11:00（北京时间）
报告方式
GAMES直播间:
https://live.bilibili.com/h5/24617282
报告摘要
在图形学和物理仿真中，常常需要对微分算子做特征分解（比如拉普拉斯算子或弹性能量 Hessian），以此来进行模型简化（model reduction）。不过传统方法只能针对单一形状，这大大限制了模型简化的灵活性。我们提出了首个可以处理连续参数化形状集合的特征分解方法，从而构建一个统一的简化模型，能够同时描述一整类形状的振动模式，而不仅仅是单个形状。更重要的是，这个过程对形状参数是可导的，因此还能支持结合特征函数的形状优化。我们展示了该方法在声音合成、形状优化，以及加速弹性动力学仿真中的应用。
在这一过程中我们还发现了一个新的理论现象：特征函数在形状空间中会发生顺序切换（即特征值的主次会随参数变化而交换），这是在传统的单一形状分析中不会出现的情况。这一发现为理解形状空间中的特征结构提供了新的视角。
嘉宾简介
常悦，目前在多伦多大学计算机系攻读博士学位，研究方向是计算机图形学中的基于物理的实时仿真。她的博士研究重点在于利用神经网络构建具有更强泛化性的降阶模型，从而加速和统一不同离散化下的物理模拟。在博士之前，她在北京大学做过流体仿真研究并获得硕士学位。本科毕业于北京航空航天大学。
个人主页
https://changy1506.github.io/
主持人简介
何小伟
中国科学院
何小伟，中国科学院软件研究所研究员，主要研究方向包括计算机图形学、物理仿真、基于GPU的并行计算等，于SIGGRAPH、EUROGRAPHICS、IEEE TVCG等国内外高水平期刊和会议上发表论文三十余篇。相关成果进一步在国家自然科学基金、重点研发计划、科技委相关项目支撑下形成开源实时物理仿真引擎——泛动引擎（PeriDyno），并在华为、中国船舶、迈曦软件、中物院等多个具体任务中实现落地应用。
长按二维码，关注公众号
GAMES网站: http://games-cn.org