本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

Dec, 2016

介绍了基于Schema Network的智能体框架，该框架能够从数据中学习环境动态，具有学习因果关系和从有限数据中泛化的能力，并在Breakout游戏中进行了效率和泛化实验。

Jun, 2017

本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

本文介绍了PropNet——一种可学习的动力学模型，能够在部分可观测场景下进行模型控制，并实现信号的即时传播。实验结果表明，与其他学习物理引擎相比，PropNet的前向模拟性能更好，在各种控制任务中也表现出更高的性能。与现有的模型无深度强化学习算法相比，使用Propagation Networks实现模型控制更准确、有效，且更具普适性。

Sep, 2018

本研究提出一种方法，通过对图形网络施加物理学相关的归纳偏差来学习可解释的表示，从而提高零样本泛化能力，并且实验证明我们的图形网络模型可以学习到与真实力量向量相当的消息表示。通过符号回归来拟合我们训练的模型的消息函数的显式代数方程，并恢复牛顿引力定律的符号形式，这一方法也适用于任何由图形网络学习的未知交互定律，提供了一种从深度学习中隐含的知识中解释和推断明确因果理论的有价值的技术。

Sep, 2019

本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

Feb, 2020

本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了'图翻译器'，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

Feb, 2022

研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。

Aug, 2022

本文提出了一种名为DYGR的动态图先验方法，通过高次非局部多项式滤波器中的误差放大来构造良好的图学习梯度，实现了关系推理，并在科学机器学习中表现出了异常的鲁棒性。

Jun, 2023

通过引入一个抽象层，本文利用图神经网络将代理的状态映射到它们对每个类别的关联度，将代理之间的物理接近性和关联度整合到非线性舆论动力学模型中，用于识别互斥类别、预测代理的时间演变和控制代理的行为，从而在机械系统的可学习类别和长期轨迹预测基准测试中证明了模型的实用性和效果优越性。

Jun, 2024