瑞士洛桑联邦理工学院（EPFL）智能维护与运营系统实验室（IMOS）的研究团队开发出一种新型AI算法——Dynami-CAL GraphNet，能够基于牛顿第三定律（作用力与反作用力相等且方向相反）实现物理规律自洽的动态系统模拟，显著提升AI在复杂物理场景下的稳定性与可靠性。相关研究成果发表于《自然·通讯》。 传统AI模型虽在预测复杂动态过程（如人体运动、粒子碰撞、机械齿轮运转）方面表现突出，但往往忽略基本物理定律，导致随时间推移产生严重误差甚至逻辑矛盾。而经典物理模拟虽精确，却计算成本极高，难以应对大规模、多变系统，且难以适应新场景。为突破这一瓶颈，EPFL团队将牛顿第三定律直接嵌入图神经网络（GNN）架构中，使AI模型在预测过程中始终遵循物理守恒规律。 该算法将系统中各物体视为节点，相互作用视为边，通过结构设计强制保证作用力与反作用力的对称性。实验表明，Dynami-CAL GraphNet可在超过16,000步连续迭代中保持稳定，远超同类模型的短期有效性。研究人员在多个真实场景中验证了其能力：在工业颗粒混合系统中，仅用四个简单模拟训练，便成功预测数千颗粒体在旋转容器中的复杂碰撞与滚动行为；在人体步态预测中，仅凭基础动作捕捉数据即可推演出完整运动轨迹，无需提供地面反作用力信息；在分子尺度上，也能准确模拟蛋白质在溶剂中的微小形变过程。 该模型最大优势在于“小样本强泛化”能力——仅需少量训练数据即可适应新系统、新边界条件甚至更大规模场景。更重要的是，其输出具有高度可解释性，每一步都明确计算力、力矩、角动量等物理量，且符合守恒定律，使工程师可验证模型是否真正遵循物理规律，从而建立对AI预测结果的信任。 研究团队认为，这一方法为AI在工程、机器人、生物医学等关键领域的应用提供了更可信、更稳定的工具，标志着AI从“统计拟合”迈向“物理理解”的重要一步。