Фізико-орієнтований GNN, який вивчає закони Ньютона на основі даних і екстраполює на системи на 35× більші Більшість нейронних мереж для фізичного симуляції потребують даних і є крихкими. Навчіть їх на одній конфігурації, і вони розпадаються, коли ви змінюєте граничні умови, масштабуєте систему або запускаєте довгі розгортання. Основна проблема: ці моделі вивчають кореляції, а не закони збереження. Вінай Шарма та Ольга Фінк обирають інший підхід із Dynami-CAL GraphNet. Замість того, щоб сподіватися, що мережа відкриє фізику, вони вбудовують її безпосередньо в архітектуру. Ключове усвідомлення: третій закон Ньютона гарантує, що внутрішні сили зберігають лінійний і кутовий момент — навіть коли енергія розсіюється через тертя або нееластичні зіткнення. Вони досягають цього за допомогою нової системи відліку ребра-локальна, яка є SO(3)-еквіваріантною, трансляційно-інваріантною та антисиметричною відносно обміну вузлів. Сили, декодовані з вбудованих ребер, автоматично рівні і протилежні. Кутовий момент отримує таке ж трактування: мережа прогнозує як внутрішні крутні моменти, так і точку прикладання сили, ізолюючи спін від орбітальних внесків. Результати вражають. Натренована лише на п'яти траєкторіях із 60 зіткнених сфер у нерухомій коробці, модель екстраполює до обертового циліндричного бункера з 2 073 частинками — підтримуючи стабільні, фізично послідовні розгортання протягом 16 000 часових кроків. На обмежених системах N-тіла, людському захопленні руху та молекулярній динаміці білків він перевершує спеціалізовані базові показники, потребуючи менше даних. Послання: коли ви закладаєте закони збереження в архітектуру, а не функцію втрат, ви отримуєте моделі, які узагальнюють масштаби, геометрії та граничні умови — бо вони з самого початку засвоїли правильний індуктивний упередження. Стаття: