Fysiikkaan perustuva GNN, joka oppii Newtonin lait datasta – ja laajentaa systeemeihin 35× suurempiin Useimmat fysiikan simulaatioiden neuroverkot ovat dataa syöviä ja hauraita. Kouluta ne yhdellä kokoonpanolla, ja ne hajoavat, kun muutat rajaehtoja, skaalaat järjestelmää tai teet pitkiä käyttöönottoja. Peruskysymys: nämä mallit oppivat korrelaatioita, eivät säilymislakeja. Vinay Sharma ja Olga Fink lähestyvät Dynami-CAL GraphNetiä eri tavalla. Sen sijaan, että toivoisivat verkon löytävän fysiikan, he upottavat sen suoraan arkkitehtuuriin. Keskeinen oivallus: Newtonin kolmas laki takaa, että sisäiset voimat säilyttävät lineaarisen ja kulmaliikemäärän – vaikka energia haihtuu kitkan tai epäelastisten törmäysten seurauksena. He saavuttavat tämän uuden reuna-paikallisen viitekehyksen avulla, joka on SO(3)-ekvivalentti, translaatioinvariantti ja antisymmetrinen solmujen vaihdossa. Reunaupotuksista puretut voimat ovat automaattisesti yhtä suuria ja vastakkaisia. Kulmamomentti saa saman käsittelyn: verkko ennustaa sekä sisäiset vääntömomentit että voiman kohdistumispisteen, eristäen spinin kiertoradan panoksista. Tulokset ovat vaikuttavia. Malli on koulutettu vain viidellä 60 törmäävän pallon radalla paikallaan olevassa laatikossa, ja se laajenee pyörivään sylinterimäiseen suppiloon, jossa on 2 073 hiukkasta – ylläpitäen vakaita ja fyysisesti johdonmukaisia rullauksia 16 000 aikavälin ajan. Rajoitetuissa N-kappalejärjestelmissä, ihmisen liikkeen kaappauksessa ja proteiinien molekyylidynamiikassa se päihittää erikoistuneet lähtötasot ja vaatii vähemmän dataa. Viesti: kun arkkitehtuuriin sisällytetään säilymislait häviöfunktion sijaan, saadaan malleja, jotka yleistävät mittakaavojen, geometrioiden ja reunaehtojen yli – koska ne ovat oppineet oikean induktiivisen harhan alusta alkaen. Artikkeli: