神经网络布料可以从数据中学习复杂动力学，却可能在长序列里积累伸长、穿透和漂移；XPBD 能显式表达约束与 compliance，却仍受离散模型、碰撞候选、时间步和有限迭代预算限制。本专栏讨论两者如何分工：让 GNN 提出动力学预测或残差，让积分器推进时间，由碰撞系统建立接触事实，再让 XPBD 对已经定义的结构与接触约束做有限预算内的校正。

这个系列解决的是架构选择、数据表示、训练、约束、评测和实时部署之间如何闭环。它不宣称提出一篇论文中的全新算法，不提供可直接套用所有服装的 checkpoint，也不承诺某组参数、精度或性能数字能跨网格与硬件复用。文中的混合结构是公开研究组件与工程经验的综合，最终配置仍需在自己的数据和预算上验证。

演示视频

匿名原型的初步视觉对照，仅用于展示不同求解路径的直观差异；它不是最终 benchmark，正式结论仍需长序列评测、完整消融与运行时预算对齐。

证据标签

• 论文结论 / 论文边界：前者是原作者在公开论文中直接描述、推导或用实验支持的内容，后者专门指出不能从论文继续外推什么；引用尽量指向一手资料，结论不越过其数据集和实验条件。
• 工程综合 / 工程推导 / 工程建议 / 建议：把多个已发表组件组合成可实现系统的设计判断，例如状态接口、回退路径和验收门禁；这些标签措辞略有不同，但都不代表某篇论文的原始贡献。
• 匿名实验 / 匿名本地观察 / 本地观察：经脱敏的本地现象，只用于暴露容易踩中的陷阱。它不包含项目、资产或路径，也不能单独证明因果关系或普遍规律。

凡标为“论文结论 / 论文边界”的表述，都应由邻近的一手引用支撑。未标明来源的公式可能是通用推导或本文定义，伪代码、清单、默认架构和上线门禁若没有明确论文归因，均应视为本系列的工程综合，而非“论文标准”。

全部文章

1. 从 PBD 到 XPBD：布料约束求解的数学地基 — 从位置预测、约束投影、compliance 与拉格朗日乘子出发，建立后续混合架构所需的物理语言。
2. 从三角网格到图网络：布料动力学的可学习表示 — 解释节点、mesh edge、world/body edge、Encode–Process–Decode、层次图与自回归误差。
3. GNN × XPBD：混合布料求解器的四种耦合架构 — 比较位置后投影、加速度/残差、材料参数和可微 XPBD，并给出推荐的帧状态数据流。
4. 数据、损失与长序列训练：让混合布料模型真正学会 Rollout — 讨论轨迹切分、归一化、噪声、课程学习、多步损失以及训练与部署时间步的一致性。
5. 约束、碰撞与物理底线：混合布料求解器的职责边界 — 划定拉伸、弯曲、固定、人体接触和自碰撞应由谁负责，并分析神经引导不能替代的安全底线。
6. 评测 GNN × XPBD 混合布料：长序列、完整消融与运行时预算 — 建立 one-step、连续 rollout、完整参数矩阵、随机种子、视觉成对测试与尾延迟协议。
7. 从模型到帧循环：GNN × XPBD 混合布料的实时部署 — 把离线资产、CPU/GPU 状态、同步、多实例调度、确定性和降级机制落到实时帧循环。

三条阅读路线

第一次阅读建议按 1 → 2 → 3 → 4 → 5 → 6 → 7 顺序完成。已经熟悉部分主题时，可以走以下捷径：

• 补物理基础：1 → 3 → 5 → 6。先掌握 XPBD 数学，再理解混合位置、碰撞职责和验证方法；不熟悉 GNN 图表示时，在第 3 篇前补第 2 篇。
• 研究学习模拟：2 → 3 → 4 → 5 → 6。先固定架构与状态接口，再讨论数据、长序列训练、物理边界和公平消融。
• 准备实时落地：3 → 5 → 6 → 7；遇到 compliance、乘子或消息传递问题时分别回看第 1、2 篇。

职责边界速查

模块	更适合负责	不应被默认为能保证	关键观测量
GNN	训练分布内的加速度、经典模型残差、受限材料参数或 proposal	不可伸长、无穿透、能量稳定和分布外安全	输出幅值、rollout 误差、投影前残差
积分器	把速度、加速度和位置按声明的 $\Delta t$ 推进	自动修复单位错误、错误历史或训练/部署步长失配	$\Delta t$、状态增量、能量变化
碰撞系统	broad/narrow phase、接触图元、法线、厚度与摩擦状态	不漏检、自碰撞自动正确或仅凭 world edge 就得到接触事实	候选数、接触寿命、穿透深度、法线连续性
XPBD	对已定义的拉伸、弯曲、固定与接触约束做质量加权投影	自动发现接触、补全未知材料规律，或有限迭代后严格满足所有约束	约束违例、乘子、收敛、修正量
失败回退	非有限值、深穿透、超预算与分布外状态的保守处置	提高正常轨迹精度，或把频繁重置包装成“稳定”	触发原因、频率、恢复时间、连续失败数

一句话概括：GNN 负责提出，XPBD 负责校正；积分器负责时间语义，碰撞系统负责建立接触事实，回退负责最坏情况。 若 XPBD 每帧都进行巨大修正，应先审计预测器、状态接口、时间步、材料离散、接触刷新和约束顺序，而不是直接把“物理强度”调高。

与现有物理笔记的关系

• UE5 ChaosCloth 是已经公开的具体引擎工作流与资产实践；本系列保持引擎无关，不把该旧文中的特定工程内容当作新系列匿名实验的证据。两者互为补充，不互相替代。

主要一手资料

资料	本系列使用它回答什么
Position Based Dynamics	位置级约束投影的基本范式
XPBD	compliance、累计乘子与时间步尺度
Small Steps in Physics Simulation	子步与迭代预算为何不能等同
MeshGraphNets	网格图表示、消息传递和自回归 rollout
SNUG	以物理能量构造自监督服装训练
HOOD	层次图、长程传播与跨服装泛化
Constraint-based Graph Network Simulator	学习约束函数并通过迭代优化求解未来状态
Differentiable XPBD	可微约束求解、能量行为与参数反演

这些论文分别支撑物理求解、图网络、训练目标或可微优化等组件，不曾共同验证本系列给出的某一套 GNN × XPBD 生产架构。尤其是 MeshGraphNets、SNUG、HOOD 和 Constraint-based Graph Network Simulator 的原论文都不应被表述成“已经证明 XPBD 混合方案有效”；组合方式、回退策略与验收协议属于本系列的工程综合。

保密说明

专栏只保留可公开的方法、公式和脱敏后的实验教训。匿名实验不包含内部项目、仓库、资产、绝对路径、人员信息、凭证、私网地址或可识别配置；涉及未公开工程的代码、原始日志和精确参数不会在文中还原。匿名性能与稳定性现象只代表相应原型和测试条件，不是公开 benchmark，也不能外推为任何硬件或网格上的承诺。读者也不应据此反推某个具体项目。

贡献者: Astroite