- 基于物理的**数字孪生(digital twin)** 虽然能预测交互动力学，但模型分辨率继承自**视觉重建(visual reconstruction)** 而非任务所需的物理复杂度，导致拓扑冗余
- 冗余拓扑使得**前向动力学(forward dynamics)** 的重复计算开销过大，无法高效应用于机器人策略评估等场景
- 现有方法缺乏自动将弹簧质量系统简化为物理复杂度匹配的轻量模型的能力
- 提出**PhySPRING**，一种基于**图神经网络(GNN)** 的**完全可微(full differentiable)** 方法，用于降低弹簧质量数字孪生的复杂度
- **联合学习(jointly learn)** 粗化图拓扑及其机械参数，通过合并具有相似动态响应的节点来优化拓扑结构
- 每个简化层都保持为**显式弹簧质量系统(explicit spring-mass system)**，确保物理可解释性
- **结构保持简化(structure-preserving reduction)**：在降低拓扑复杂度的同时，每个简化层仍为显式弹簧质量系统，保留物理一致性和可解释性
- **联合优化**：同时学习粗化图拓扑和机械参数，而非分别处理，实现端到端端到端(end-to-end)优化
- **零样本替换(zero-shot substitution)**：简化模型可直接替换到机器人策略评估管线（如ACT和π0），无需重新训练策略，保持操作成功率
- 在**PhysTwin** 基准上，PhySPRING提升了稠密重建和预测精度，同时加速**2.30倍**，实现了效率与保真度的平衡
- 在**Real2Sim机器人策略评估** 中验证了实用价值，简化模型零样本替换后保持可比的操作成功率，并提升动作采样有效性
- 为基于物理的数字孪生提供了一种高效、结构保持的简化新范式，支持更快的仿真和机器人策略评估