本研究提出了在量子计算机上实现图神经网络（GNNs）的框架，以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战，通过制定与三种经典 GNNs 对应的量子算法：图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）和消息传递 GNNs（Message-Passing GNNs）。我们对简化的图卷积（SGC）网络的量子实现进行了复杂性分析，结果显示与经典方法相比，我们的量子 SGC 在时间和空间复杂度上具有潜在的优势，能够高效处理大规模图，这为在量子计算机上实现更先进的图神经网络模型铺平了道路，为用于分析图结构数据的量子机器学习开拓了新的可能性。

May, 2024

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

该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

Feb, 2019

本文提出了一种新颖的基础方法，称为 Subequivariant Graph Neural Network，并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 8 个场景的 Physion 数据集中，平均接触预测准确率有超过 3％的提高，在 RigidFall 数据集中有 2 倍的低回滚均方误差，并展现出强大的泛化能力和数据效率。

Oct, 2022

本文提出的图并行算法可在多个 GPU 上分布输入图，从而实现训练数十亿个参数的大型 GNN， 该方法在大规模开放铂族催化剂的数据集上取得了新的最先进结果。

Mar, 2022

通过引入混合架构来学习分子动力学中的粗粒化力场，以便于能够将粗粒化力场转移到分子系统之间，从而进一步加速模拟的过程。

Jul, 2020

通过创造物理系统的 3D 多体点云，我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略，有效地建模复杂的多体关系并捕捉了几何图中的对称性，超越了现有的几何图神经网络的平均场近似，并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性，堪称参数化几何张量网络的创新应用。

Jan, 2024

本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型，并在经典算法中取得更好的性能表现。

Apr, 2021

通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。

Jul, 2023

介绍了图神经网络在粒子物理学中应用的各种情况，并探讨了它在粒子物理学中的潜在应用。

Jul, 2020