本文提出一种基于粒子 - 边界相互作用的有效模型，构建了 Boundary Graph Neural Networks (BGNNs) 用于模拟颗粒与复杂三维物体边界的交互，实现了颗粒传输和混合熵的预测准确性，并取得了出色的计算效率和模拟精度。

Jun, 2021

本文提出了一种名为 Differentiable Physics-informed Graph Networks （DPGN）的新型架构，通过在潜在空间中隐式地告知物理知识，将它纳入神经网络中，以提高气候预测效果，并证实了该模块的有效性以及在归纳学习和多步预测等领域的其他应用。

Feb, 2019

本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

May, 2022

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

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

该研究论文介绍了 PI-MGNs，一种将 PINNs 和 MGNs 相结合的混合方法，用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。

Feb, 2024

本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。

Mar, 2023

通过使用物理启发的神经图常微分方程算法（Physics-Inspired Neural Graph ODE），我们提出了一种更好地建模离散监督信号下潜在轨迹的方法，同时利用基于 GNN 的模型以插拔的方式对神经图常微分方程进行参数化，实验证明我们的模型在长期预测和演化误差方面相较于现有方法有数量级的提升。

Aug, 2023

通过构建多级图神经网络框架，解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战，提出一种对于 GNN 和多分辨率矩阵核分解统一的方法，该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明，这种多图网络可以学习离散化不变的 PDE 解算符并可以在线性时间内进行评估。

Jun, 2020

机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

Feb, 2024