研究发现，通过直接建模加速度，可以改善神经网络的性能。放松模型的诱导偏差可以匹配或超过能量守恒系统的性能，并提高非守恒系统的性能。这种方法在通用Mujoco环境的转换模型构建中展示了潜力。

本文介绍了将诱导偏差引入机器学习模型的研究领域，特别是在处理物理世界数据时。通过使用真实世界的粒子物理重建任务作为评估测试平台，全面评价了等变图神经网络的提议的好处。本文证明了许多通常与等变网络相关联的理论优点在实际系统中可能不成立，并介绍了未来研究的有吸引力的方向，这将有利于机器学习的科学理论和物理应用。

本文研究了物理启发的神经网络的诱导偏差及其应用。研究发现，通过直接建模加速度可以改善神经网络的性能，而不是辛结构或能量守恒。通过放松模型的诱导偏差，可以在能量守恒系统上匹配或超过其性能，并提高非守恒系统上的性能。作者将这种方法应用于通用Mujoco环境的转换模型构建中，实现了基于模型的控制。