地球物理 / 油藏工程
以 NVIDIA PhysicsNeMo 的 reservoir_simulation/xmgn 示例与 X-MeshGraphNet 论文为主线,核对油藏代理的真实能力、数据格式、误差累积特征与数据可得性边界。
新 Apache-2.0(PhysicsNeMo 示例仓库);Norne 数据集遵循其自身许可条款 油藏模拟图神经网络MeshGraphNet 材料科学 / 第一性原理
Google DeepMind 的图网络材料发现系统 GNoME,通过主动学习把候选结构池推过十亿量级,用 DFT 校验后回流训练,新增 38.1 万个稳定材料条目,并附带一套可下载的凸包数据集与预训练势模型实现。
新 代码与 Notebook 采用 Apache-2.0;GNoME 数据集采用 CC BY-NC 4.0(仅限非商业用途);论文为 CC BY 4.0 材料发现图神经网络第一性原理 气象 / 数据驱动预报
Google DeepMind 的图神经网络中期天气预报模型,在 1380 个检验目标中的 90% 上超越 ECMWF 业务确定性系统,10 天全球预报在单台加速器上不到一分钟完成;代码与权重已并入 WeatherNext 家族仓库。
新 论文为 Science 期刊版权;代码与 Colab 为 Apache-2.0,权重自 2026-08-06 起允许商用,其余材料为 CC BY 4.0 气象图神经网络中期天气预报 图神经网络框架
基于 PyTorch 的图神经网络库,以消息传递范式统一图卷积、异构图、点云与图检索增强生成能力,用于网格物理仿真代理模型与分子材料建模。
新 MIT 图神经网络消息传递PyTorch 材料/化学 / 框架教程
Meta FAIR Chemistry 的开源工具库(原 Open Catalyst Project),覆盖 OC20/OC22 数据集与 GemNet、eSCN、EquiformerV2 等模型,是催化与材料计算 AI 的第一站。
通用科学ML
面向通用偏微分方程仿真,以低维训练模型零样本求解更高维方程,并给出基于对称性的适用条件。
见LICENSE文件 偏微分方程求解器任意维度学习零样本迁移 通用科学ML
针对图神经网络粒子模拟中交互图固定导致的长期预测误差累积,提出按粒子调节的交互图结构。
见LICENSE文件 粒子模拟图神经网络自适应交互图 通用科学ML
面向分布式光伏功率爬坡预报,将云运动矢量引入图神经网络,并通过合成测试床评估其作用。
见LICENSE文件 光伏功率预报图神经网络云运动估计 电网优化
基于物理信息图神经网络的交流最优潮流求解基础模型,在54种电网拓扑上预训练,可在10,000节点系统上实现2.45%零样本成本误差。
见LICENSE文件 交流最优潮流图神经网络电力系统优化