通过培训在两个不同的CAMELS流体动力学宇宙学模拟套件数据上的模型，研究了领域自适应图神经网络（DA-GNNs）的泛化能力。通过最大均值差异（MMD）实现了无监督领域自适应，证明了DA-GNN在跨数据集任务上获得了更高的准确性和鲁棒性。显示出领域适应对适当的潜空间数据对齐的效果，表明DA-GNN是一种提取领域独立宇宙学信息的有前途的方法，对于真实宇宙调查数据的强大深度学习是至关重要的一步。