本文探讨了图神经网络在空间过程模拟中的应用，提出了多种模型和框架以提高时空预测的准确性和效率。研究涉及物理感知元学习、MeshGraphNets和随机循环神经网络，强调全局与局部特征的相互作用，并提出数据驱动的专家模块以捕捉物理过程的演化规律。实验结果表明，这些方法在处理复杂时空问题时具有显著优势。

该研究提出了一种可解释的、物理感知的机器学习模型，能够推断高能粒子碰撞的基础物理。通过使用生成对抗网络，该方法能够学习粒子的最终分布和阶级分支机制。该模型在扰动物理学领域有广泛应用。

本文提出了一种基于DDPM和物理感知的图像去雾框架DehazeDDPM，适用于复杂的浑浊场景。该框架通过物理建模和DDPM的生成能力相结合，补偿浓雾引起的信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。