优化用于布料模拟的卷积神经网络（CNN）的技术咨询

项目实现流程 #

作为大学课程项目，我正在尝试用机器学习实现布料模拟，刚接触Git和GitHub，项目代码存放于ML_fabric_simulation仓库（不含大尺寸数据集），可视化代码存放于OpenGL仓库。

1. 基础欧拉布料模拟：实现任意尺寸的正方形质点网格，质点间通过水平/垂直结构弹簧、对角线剪切弹簧及弯曲弹簧连接。实时运行模拟并记录每一时间步的位置、速度和力，保存为训练数据集。
2. CNN模型训练与推理：使用PyTorch训练卷积神经网络（CNN），以位置和速度作为输入通道，输出为力通道。力的积分逻辑如下：

def step(self):
    with torch.no_grad():
        self.total_forces = my_models.run(
            self.model,
            torch.cat((self.pos, self.vel), axis=0),
            self.device
            )
        self.total_forces *= self.force_scale

    self.acc = self.total_forces/self.mass
    self.vel[self.all_but_fastened] += self.acc[self.all_but_fastened]*self.dt
    self.pos[self.all_but_fastened] += self.vel[self.all_but_fastened]*self.dt

CNN的前向传播实现：

class CNN(nn.Module):
    def __init__(self, input_channels, output_channels, hidden_channels=[], kernel_size=3):
        super().__init__()

        # Channels:
        channels = [input_channels] + hidden_channels + [output_channels]

        # Convolutional layers:
        self.conv = nn.ModuleList()
        for i in range(len(channels)-1):
            self.conv.append(nn.Conv2d(channels[i], channels[i+1], kernel_size=kernel_size, padding=int((kernel_size-1)/2)))

    def forward(self, x):
        for i, layer in enumerate(self.conv):
            x = layer(x)
            if i != (len(self.conv)-1):
                x = activation(x)
        return x

3. 可视化：通过另一程序提取位置数据转换为numpy数组，使用OpenGL进行渲染。

当前核心问题 #

小尺寸布料（如3x3网格，顶部3个质点固定）模拟稳定，可正常悬挂及拖拽；但大尺寸布料（最大测试50x50）会立即崩溃，问题从边缘区域开始——边缘质点的连接结构与布料主体差异明显。

已尝试的优化措施 #

• 生成数据集时，给欧拉积分计算的位置添加噪声，大幅平滑了学习曲线，但对模拟稳定性无明显改善；
• 尝试对数据集进行归一化处理，暂未明确其效果。

疑问与求助方向 #

疑问点 #

• 了解到这类物理模拟问题的最优方案是图神经网络（GNN），但因仅模拟正方形布料，起初认为无需使用GNN，现在怀疑边缘问题是否需要改用GNN？
• 使用torch.compile(self.model)后性能反而下降：未编译时每秒约800-900物理步，编译后约700步且波动较大（显卡为GTX 5070）；
• 最初尝试直接输入位置让CNN预测下一位置，速度虽快但模拟极度不稳定；
• 当前最有效的CNN结构为单隐藏卷积层，通道数4-64，不确定如何进一步优化网络结构。

求助需求 #

寻求提升ML驱动布料模拟的稳定性、性能的具体建议，以及CNN网络结构优化的指导。

内容的提问来源于stack exchange，提问作者hugon5