本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018

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

本文提出一种使用深度神经网络建模变形图表达非刚性物体的全局一致变形跟踪和三维重建方法，能够在快速运动或时间不连续记录的情况下实现稳健的跟踪，并在明确的视点一致性和图形表面一致性约束下全局优化神经变形图进行自监督训练，同时利用隐式多层感知器形态表示对物体的形状进行优化，实验表明其效果优于现有的非刚性重建方法。

Dec, 2020

通过建立 keypoints 和它们之间的相互作用的一组动态图表达的新颖表示策略，提出一种在视觉观测的情况下模拟可变形对象重新排列动态并推断最佳操纵动作的方法。新方法在模拟实验中显示出优越的表达能力，在各种可变形重新排列任务中的成功率远高于现有方法（平均 96.3%），同时更轻量且推理时间较现有方法短 60%。并且该方法在多任务学习场景中表现良好，并通过仅微调关键点检测器可以转移到实际应用中，平均成功率为 95%。

Oct, 2023

RoboCraft 通过使用基于粒子的表示法，结合模型规划框架、图神经网络和模型预测控制算法，可以在只有 RGBD 视觉观测数据的情况下，学习弹塑性物体的动力学模型，并用于控制机器人进行物体变形任务，实验结果表明 RoboCraft 的优异性能在一些任务上甚至好于未训练的人类.

May, 2022

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

提出了一种分层粒子物体表示和基于分层图卷积的神经网络 HRN，可以准确预测和生成复杂碰撞和非刚性变形的物理动力学，具有潜在的在计算机视觉、机器人和计算认知科学领域中使用的下一代物理学预测模型的潜力。

Jun, 2018

使用基于 GNN 的学习方法，通过两个表示图对图像中检测到的关键点进行编码。采用自注意力进行图更新和交叉注意力进行生成操作，实验表明该框架在多个 1-D 和 2-D 重排任务中非常有效，并且可以通过微调关键点检测器轻松转移到真实机器人中。

Feb, 2023

通过结合经典数值解法和物理感知框架的方法，本研究在三维非规则几何体上测试了基于图神经网络的解决偏微分方程问题的可行性。

Oct, 2023

本研究提出了一种新颖的图嵌入技术，通过将分离的板域视为顶点，利用图采样和聚合（GraphSAGE）预测具有不同几何形状的加劲板的应力分布，对比有限元 - 顶点图表示的方法，研究结果表明，图神经网络和所提出的图嵌入方法作为强大的三维结构的高效减阶模型具有巨大潜力。

Sep, 2023