في الآونة الأخيرة، تم اقتراح العديد من نماذج الشبكات العصبية الرسومية القائمة على الشبكة (GNN) لنمذجة الأنظمة الفيزيائية المعقدة ذات الأبعاد العالية. وقد تحققت إنجازات ملحوظة في تقليل وقت الحل بشكل كبير مقارنة بالحلقات العددية التقليدية. عادةً ما تصمم هذه الطرق بهدف: i) تقليل التكلفة الحسابية في حل الديناميات الفيزيائية و/أو ii) اقتراح تقنيات لتحسين دقة الحل في ديناميات السوائل والأجسام الصلبة. ومع ذلك، لا يزال البحث قليلًا حول فعاليتها في معالجة تحديات ديناميات الأجسام المرنة، حيث تحدث الاصطدامات الفورية خلال فترة زمنية قصيرة جدًا. في هذا البحث، نقدم محول الشبكة المرنة التراتبي (HCMT)، الذي يستخدم بنية شبكة تراتبية ويمكنه تعلم الارتباطات طويلة المدى (التي تحدث بسبب الاصطدامات) بين المواقع البعيدةatially distant positions of a body -- حيث تعكس موقعيْن قريبين في شبكة مستوى أعلى موقعيْن بعيدين في شبكة مستوى أدنى. يمكّن HCMT التفاعلات طويلة المدى، وتقوم البنية الشبكية التراتبية بنشر آثار الاصطدام بسرعة إلى مواقع بعيدة. لهذا الغرض، يتكون HCMT من محول الشبكة المرنة ومحول الشبكة التراتبية (CMT وHMT على التوالي). أخيرًا، نقترح مجموعة بيانات لديناميات الأجسام المرنة تتضمن مسارات تعكس الإعدادات التجريبية التي يتم استخدامها غالبًا في صناعة العرض لأغراض تصميم المنتجات. كما نقارن أداء عدة أسس باستخدام مجموعات بيانات مقاييس معروفة. تظهر نتائجنا أن HCMT يقدم تحسينات أداء كبيرة على الطرق الموجودة حاليًا. رمز البرمجيات متاح على https://github.com/yuyudeep/hcmt.