导读：近年来，基于人工智能（AI）生成模型在利用各种用户输入（例如文本或图像）生成高质量三维形状方面展现出了令人瞩目的能力。然而，AI生成的物体往往缺乏物理完整性。
2026年3月1日，麻省理工学院计算机科学与人工智能实验室 (CSAIL)的研究人员开发了一种名为 PhysiOpt 的可微物理优化系统，将生成式人工智能 (genAI) 与物理模拟相结合，使用户能够生成 3D 打印的个人物品设计，例如杯子、钥匙扣和书挡，这些设计在现实世界中使用时能够经受住考验。
相关研究以题为“PhysiOpt: Physics-Driven ShapeOptimization for 3D Generative Models”的论文发表于《IGGRAPHASIA 2025》会议论文平台上。研究人员于2025年12 月在亚洲计算机协会 SIGGRAPH 计算机图形学和交互技术大会暨展览会上发表了他们的研究成果，并得到了麻省理工学院-IBM 沃森人工智能实验室和纬创资通公司的部分资助。
PhysiOpt系统旨在解决人工智能设计工具的一个已知局限性：虽然像微软的TRELLIS这样的平台可以根据文本提示或图像生成三维模型，但生成的蓝图在实际制造时往往会出现结构性缺陷。例如，椅子设计可能存在部件脱节或支撑不足等问题，无法承受重量。
△PhysiOpt能够对 3D 生成模型的输出进行基于物理原理的形状优化。对于每个示例，给定一个潜在形状向量、图像或文本提示，优化方法利用现有的 3D 生成模型生成3D 渲染图（生成模型）。用户随后可以设置特定于任务的约束，例如载荷、边界条件或材料（约束）。可微优化器直接在 3D 生成器的潜在空间中优化形状，以提高物理柔顺性（优化），其中红色表示大变形，蓝色表示最小变形。最终结果可以制成物理上可行的物体（制造）。
PhysiOpt 试图通过运行一种名为有限元分析的物理模拟来解决这个问题。它对 3D 模型进行压力测试，生成热图，标明结构薄弱区域，然后逐步调整以加固这些区域，同时不改变物体的整体外观或预期功能。
用户输入文字描述，说明他们想要创建的对象，并指定对象需要承受的力或重量，以及制作材料（例如塑料或木材）和支撑方式。系统随后会在大约 30 秒内生成一个精细的 3D 模型。
△可微形状优化流程概述。优化方法支持多种输入模式（输入），包括形状和零件库、图像和文本提示，这些输入会被转换为给定生成模型的潜在参数。用户还可以指定材料、载荷和边界条件。给定一个潜在参数π，PhysiOpt 会解码为一个隐式场ϕ (·, π )，然后体素化以生成一组稀疏的密度加权有限元。在用户定义的条件下，使用线性静态分析求解位移，并计算基于物理的损失J ( π )。整个过程是完全可微的，允许迭代更新π以获得更符合物理规律的设计（可微优化）。
麻省理工学院电子工程和计算机科学博士生、CSAIL 研究员、论文共同第一作者 Xiao Sean Zhan 表示：“PhysiOpt 结合了 GenAI 和基于物理的形状优化，可以帮助几乎任何人生成他们想要的独特配饰和装饰品的设计。这是一个自动化系统，在满足一定限制条件的情况下，它可以让你生成物理上可制造的形状。PhysiOpt 可以根据你的需要反复迭代创建的内容，而无需任何额外的培训。”
PhysiOpt系统依赖于预训练模型而非针对特定任务的训练，使其能够利用先前关于形状和美学的知识。研究人员将这种特性称为“形状先验（shape priors）”。
论文共同第一作者、麻省理工学院电子工程与计算机科学系博士生兼计算机科学与人工智能实验室研究员克莱门特·詹邦 (Clément Jambon) 表示：“现有系统通常需要大量的额外训练才能对你想要看到的内容有语义上的理解，但我们使用的模型已经内置了对你想要创建的内容的理解，因此 PhysiOpt 无需训练。”
在与 DiffIPC（一种类似地模拟和优化 3D 形状的方法）的对比测试中，PhysiOpt 每次迭代的速度几乎是 DiffIPC 的 10 倍，同时还能产生更逼真的输出。
来源：南极熊
0 留言