فهم الديناميكيات الزمن المستمر في الشبكات المعقدة أمر حاسم للاستيعاب والتنبؤ والتحكم في الأنظمة المعقدة في العلوم والهندسة. ومع ذلك، فإن هذه المهمة تواجه تحديات كبيرة بسبب التعقيدات التوافقيّة في هياكل الأنظمة ذات الأبعاد العالية، وديناميكياتها الزمنية المستمرة الغامضة وغير الخطية، واعتمادها البنيوي-الديناميكي. لمعالجة هذه التحديات، نقترح دمج أنظمة المعادلات التفاضلية العادية (ODEs) والشبكات العصبية الرسومية (GNNs) لتعلم الديناميكيات الزمنية المستمرة على الشبكات المعقدة بطريقة موجهة بالبيانات. نقوم بنمذجة أنظمة المعادلات التفاضلية باستخدام الشبكات العصبية الرسومية. بدلاً من الخريطة عبر عدد محدد من طبقات الشبكة العصبية في العملية الأمامية، نقوم بتكامل طبقات GNN عددياً عبر الزمن المستمر، مما يؤدي إلى التقاط الديناميكيات الزمنية المستمرة على الرسوم البيانية. يمكن تفسير نموذجنا كنموذج شبكات عصبية رسومية زمن مستمر (Continuous-time GNN) أو كنموذج معادلات تفاضلية عادية للشبكات العصبية الرسومية (Graph Neural ODEs). يمكن استخدام نموذجنا لأغراض التنبؤ بديناميكيات الشبكة الزمنية المستمرة، والتنبؤ بالسلسلة المنظمة (حالة المسح المنتظم)، ومهمات تصنيف العقد شبه المشرف عليها (حالة اللقطة الواحدة) ضمن إطار موحد. نتحقق من صحة نموذجنا من خلال التجارب الواسعة في السيناريوهات الثلاثة المذكورة أعلاه. النتائج التجريبية الواعدة تظهر قدرة نموذجنا على التقاط الهيكل والديناميكيا بشكل مشترك للأنظمة المعقدة ضمن إطار موحد.