物理学通过观察与理论之间的相互作用来构建对自然界的认知，但在深度神经网络中，其重要性一直未得到充分重视。特别是当知识以不那么显式的方式给出时，利用物理行为的研究工作更是寥寥无几。在本研究中，我们提出了一种称为可微分物理信息图网络（Differentiable Physics-informed Graph Networks, DPGN）的新架构，该架构通过在潜在空间中引入领域专家提供的隐式物理知识来实现这一点。借助DPGN的概念，我们展示了气候预测任务得到了显著改进。除了实验结果外，我们还验证了所提出的模块的有效性，并提供了DPGN的进一步应用，如归纳学习和多步预测。