用图神经网络替代物理引擎：N体静电模拟的神经代理模型

本项目构建基于图神经网络(GNN)的神经代理模型，预测N体带电粒子在库仑斥力和重力下的运动状态，实现比传统物理模拟快50倍的实时预测，且短期准确性较高。项目开源于GitHub，核心思路与DeepMind、NVIDIA等机构在气候建模、药物发现领域的应用一致。

传统N体问题计算复杂度为O(N²)，需反复求解物理方程，成本高昂。神经代理模型的核心是：训练神经网络学习物理规律，以快速预测替代昂贵的方程求解。其优势包括速度快、可微分（便于优化/控制）、泛化能力；挑战为长期推演误差累积。

项目技术架构包含四部分：

1. 物理模拟器：基于NumPy实现，含softened库仑斥力、重力、欧拉积分、弹性边界，用于生成训练数据和基准对比。
2. 数据集：500次独立模拟（每次500步）生成25万样本，以HDF5格式存储。
3. GNN架构：PyTorch Geometric实现消息传递网络，粒子为节点（特征：vx, vy, charge, mass），边为粒子对（特征：dx, dy, distance），预测下一时刻Δvx、Δvy、Δx、Δy。
4. 训练细节：MSE损失（归一化变化量）、Adam优化器（lr=0.0001）、梯度裁剪、特征归一化，Weights and Biases追踪训练。

训练表现：初始损失0.483，100 epoch后降至0.234。误差分析：步数0时MSE约0.0002，100步约4.0，200步约13.0。关键发现：短期预测准确，误差随步数累积，推理速度比物理模拟快50倍，与DeepMind 2020年研究的误差模式一致。

应用场景包括：

1. 实时模拟与游戏：大规模粒子交互（沙盒游戏、特效）实现实时渲染。
2. 参数优化：加速不同参数配置搜索（如最优初始电荷分布）。
3. AI系统嵌入：可微分特性支持强化学习、控制优化等端到端系统。
4. 教育研究：作为GNN和科学机器学习的学习案例。

当前局限：长期推演误差增大（>100步）、固定粒子数、物理模型简化（无碰撞/摩擦）。 改进方向：尝试Graph Transformer/Equivariant GNN；多尺度建模；不确定性量化；加入能量守恒约束；迁移学习到新系统。

项目价值：

• 教育：清晰展示GNN在科学计算中的应用，是入门科学机器学习的优秀材料。
• 研究：验证神经代理模型在物理模拟中的可行性与挑战。
• 工程：提供可扩展的代码框架。
• 启发：展示AI改变传统科学计算范式的潜力。