GNN yang diinformasikan fisika yang mempelajari hukum Newton dari data—dan mengekstrapolasi ke sistem 35× lebih besar Sebagian besar jaringan saraf untuk simulasi fisika haus data dan rapuh. Latih mereka pada satu konfigurasi, dan mereka berantakan saat Anda mengubah kondisi batas, meningkatkan skala sistem, atau menjalankan peluncuran yang panjang. Masalah mendasar: model-model ini mempelajari korelasi, bukan hukum konservasi. Vinay Sharma dan Olga Fink mengambil pendekatan yang berbeda dengan Dynami-CAL GraphNet. Alih-alih berharap jaringan menemukan fisika, mereka menyematkannya langsung ke dalam arsitektur. Wawasan kunci: Hukum ketiga Newton menjamin bahwa gaya internal melestarikan momentum linier dan sudut—bahkan ketika energi menghilang melalui gesekan atau tumbukan tidak elastis. Mereka mencapai ini melalui kerangka referensi tepi-lokal baru yang bersifat SO(3)-ekuivarian, translasi-invarian, dan antisimetris di bawah pertukaran simpul. Gaya yang didekodekan dari penyematan tepi secara otomatis sama dan berlawanan. Momentum sudut mendapat perlakuan yang sama: jaringan memprediksi torsi internal dan titik aplikasi gaya, mengisolasi putaran dari kontribusi orbit. Hasilnya mengejutkan. Dilatih hanya pada lima lintasan dari 60 bola yang bertabrakan dalam kotak stasioner, model ini mengekstrapolasi ke hopper silinder yang berputar dengan 2.073 partikel—mempertahankan peluncuran yang stabil dan konsisten secara fisik selama 16.000 langkah waktu. Pada sistem N-body yang terbatas, penangkapan gerakan manusia, dan dinamika molekuler protein, ia mengungguli baseline khusus sambil membutuhkan lebih sedikit data. Pesannya: ketika Anda memasukkan hukum konservasi ke dalam arsitektur daripada fungsi kerugian, Anda mendapatkan model yang menggeneralisasi lintas skala, geometri, dan kondisi batas—karena mereka telah mempelajari bias induktif yang tepat sejak awal. Kertas: