شبكة GNN منيفة بالفيزياء تتعلم قوانين نيوتن من البيانات—وتستقر إلى أنظمة أكبر ب 35× معظم الشبكات العصبية المستخدمة في محاكاة الفيزياء تستهلك البيانات وهشة. دربها على تكوين واحد، فتفتعطل عندما تغير شروط الحدود، أو توسع النظام، أو تدير عمليات تشغيل طويلة. المسألة الأساسية: هذه النماذج تتعلم الارتباطات، وليس قوانين الحفظ. يتبع فيناي شارما وأولغا فينك نهجا مختلفا مع Dynami-CAL GraphNet. بدلا من الأمل في اكتشاف الفيزياء من الشبكة، يدمجونه مباشرة في البنية. النقطة الأساسية: القانون الثالث لنيوتن يضمن أن القوى الداخلية تحفظ الزخم الخطي والزاوي—حتى عندما تتبدد الطاقة بسبب الاحتكاك أو التصادمات غير المرنة. تحقق ذلك من خلال إطار مرجعي جديد للحافة المحلية، وهو SO(3)-متساوي التغير، ثابت في الترجمة، ومضاد للتناظر تحت تبادل العقد. القوى المفككة من تضمينات الحواف تكون متساوية ومتعارضة تلقائيا. يحصل الزخم الزاوي على نفس المعاملة: حيث تتنبأ الشبكة بكل من العزمات الداخلية ونقطة تطبيق القوة، معزلة الدوران عن مساهمات المدار. النتائج لافتة للنظر. تم تدريبه على خمسة مسارات فقط من 60 كرة متصادمة في صندوق ثابت، ويستقر النموذج إلى قافز أسطواني دوار يحتوي على 2073 جسيما — محافظا على تدحرجات مستقرة ومتسقة جسديا على مدى 16000 خطوة زمنية. في أنظمة N-body المقيدة، والتقاط الحركة البشرية، وديناميكا جزيئات البروتين، يتفوق على الخطوط الأساسية المتخصصة مع الحاجة إلى بيانات أقل. الرسالة: عندما تدمج قوانين الحفظ في البنية بدلا من دالة الفقدان، تحصل على نماذج تعمم عبر المقاييس والهندسة وظروف الحدود — لأنها تعلمت التحيز الاستقرائي الصحيح منذ البداية. الورقة: