Newton yasalarını veriden öğrenen ve 35× daha büyük sistemlere çıkaran fizik bilgili bir GNN Fizik simülasyonu için çoğu sinir ağı veri aç ve kırılgandır. Onları tek bir konfigürasyonda eğittiğinizde, sınır koşullarını değiştirdiğinizde, sistemi ölçeklendirdiğinizde veya uzun dağıtımlar yaptığınızda dağılırlar. Temel sorun: bu modeller korelasyonları öğrenir, koruma yasalarını değil. Vinay Sharma ve Olga Fink, Dynami-CAL GraphNet ile farklı bir yaklaşım sergiliyor. Ağın fiziği keşfetmesini ummak yerine, bunu doğrudan mimariye gömüyorlar. Temel içgörüler: Newton'un üçüncü yasası, iç kuvvetlerin doğrusal ve açısal momentumu korumasını garanti eder—enerji sürtünme veya elastik olmayan çarpışmalar yoluyla dağıldığında bile. Bunu, düğüm değişimi altında SO(3)-ekvivaryant, translasyon-değişmez ve antisimetrik olan yeni bir kenar-lokal referans çerçevesi aracılığıyla elde ederler. Kenar gömmelerinden çözülen kuvvetler otomatik olarak eşit ve zıttır. Açısal momentum da aynı şekilde ele alınır: ağ hem iç torkları hem de kuvvet uygulama noktasını tahmin eder ve spini yörünge katkılarından izole eder. Sonuçlar çarpıcı. Sabit bir kutuda sadece 60 çarpışan küreden oluşan beş yörüngede eğitilen model, 2.073 parçacıktan oluşan dönen silindirik bir hopper'a ekstrapolasyon yapar—16.000 zaman adımında stabil ve fiziksel olarak tutarlı bir dağıtım sağlar. Kısıtlı N-cisim sistemleri, insan hareket yakalama ve protein moleküler dinamiklerinde, uzmanlaşmış tabanları geride bırakırken daha az veri gerektiriyor. Mesaj: Mimariye kayıp fonksiyonu yerine koruma yasaları yerleştirdiğinizde, ölçekler, geometriler ve sınır koşulları arasında genelleştiren modeller elde edersiniz—çünkü onlar baştan doğru tümevarımsal önyargıyı öğrenmişlerdir. Makale: