Nous présentons un cadre général pour le problème d'animation de vêtements à travers l'apprentissage profond non supervisé inspiré par la simulation physiquement basée. Bien que des tendances existantes dans la littérature explorent déjà cette possibilité, ces approches ne prennent pas en compte la dynamique des tissus. Dans cet article, nous proposons la première méthodologie capable d'apprendre les dynamiques réalistes des tissus de manière non supervisée, et donc une formulation générale pour la simulation neuronale des tissus. La clé pour atteindre cet objectif est d'adapter un schéma d'optimisation existant pour le mouvement à partir des méthodologies basées sur la simulation aux réseaux de neurones profonds. Ensuite, en analysant la nature du problème, nous concevons une architecture capable de désentrelacer automatiquement les sous-espaces statiques et dynamiques des tissus par conception. Nous montrerons comment cela améliore les performances du modèle. De plus, cela ouvre la possibilité d'une nouvelle technique d'augmentation de mouvement qui améliore considérablement la généralisation. Enfin, nous démontrons qu'elle permet également de contrôler le niveau de mouvement dans les prédictions. C'est un outil utile et inédit pour les artistes. Nous fournissons une analyse détaillée du problème afin d'établir les bases de la simulation neuronale des tissus et de guider les futures recherches sur les spécificités de ce domaine.