Wir präsentieren einen allgemeinen Rahmen für das Problem der Kleidungsanimation durch unüberwachtes tiefes Lernen, inspiriert von physikbasierten Simulationen. Bestehende Trends in der Literatur untersuchen bereits diese Möglichkeit. Dennoch behandeln diese Ansätze die Dynamik von Stoffen nicht. Hier schlagen wir die erste Methodologie vor, die in der Lage ist, realistische Stoffdynamiken unüberwacht zu lernen, und damit eine allgemeine Formulierung für neuronale Stoffsimulation. Der Schlüssel zur Erreichung dieses Ziels besteht darin, ein bestehendes Optimierungsverfahren für Bewegungen aus simulationsbasierten Methoden auf tiefes Lernen anzupassen. Anschließend analysieren wir die Natur des Problems und entwickeln eine Architektur, die es durch Design ermöglicht, statische und dynamische Stoffunterräume automatisch zu entkoppeln. Wir werden zeigen, wie dies die Leistung des Modells verbessert. Zudem eröffnet dies die Möglichkeit einer neuen Bewegungsaugmentierungstechnik, die die Generalisierung erheblich verbessert. Schließlich zeigen wir, dass es auch ermöglicht, den Grad der Bewegung in den Vorhersagen zu steuern. Dies ist ein nützliches Werkzeug für Künstler, das bisher noch nicht existiert hat. Wir liefern eine detaillierte Analyse des Problems, um die Grundlagen der neuronalen Stoffsimulation zu legen und zukünftige Forschungen in die Details dieses Bereichs zu leiten.