Fyzikálně informovaný GNN, který se učí Newtonovy zákony z dat – a extrapoluje na systémy o 35× větší Většina neuronových sítí pro fyzikální simulace je dychtivá po datech a křehká. Trénujte je na jedné konfiguraci a rozpadnou se, když změníte okrajové podmínky, rozšíříte systém nebo provedete dlouhé zavádění. Základní problém je: tyto modely se učí korelacím, ne zákonům ochrany. Vinay Sharma a Olga Fink přistupují k Dynami-CAL GraphNet jinak. Místo toho, aby doufali, že síť objeví fyziku, vkládají ji přímo do architektury. Klíčový poznatek: Newtonův třetí zákon zaručuje, že vnitřní síly zachovávají lineární a úhlový moment hybnosti – i když energie mizí třením nebo neelastickými srážkami. Toho dosahují pomocí nového referenčního rámce s hranou a lokálním rámcem, který je SO(3)-ekvivariantní, translacově invariantní a antisymetrický při výměně uzlů. Síly dekódované z hranových vnoření jsou automaticky stejné a opačné. Stejný přístup dostává i momentum hybnosti: síť předpovídá jak vnitřní momenty, tak bod působení síly, izoluje spin od orbitálních příspěvků. Výsledky jsou pozoruhodné. Model je natrénován na pouhých pět trajektorií 60 kolidujících se koulí v stacionární krabici a extrapoluje na rotující válcový zásobník s 2 073 částicemi—udržuje stabilní, fyzicky konzistentní vyvíjení během 16 000 časových kroků. Na omezených N-tělesových systémech, lidském zachycení pohybu a molekulární dynamice proteinů překonává specializované základní hodnoty a vyžaduje méně dat. Poselství: když do architektury zapracujete zákony zachování místo ztrátové funkce, získáte modely, které zobecňují napříč měřítky, geometriemi a okrajovými podmínkami – protože se od začátku naučily správné induktivní zkreslení. Článek: