Nowa architektura Riemannian Hodge Message Passing rozwiązuje fundamentalny problem w modelowaniu pól fizycznych za pomocą sieci neuronowych. Zamiast mieszać topologię i geometrię w nieograniczonym message passingu, RHMP ustalnia komórki coboundary wyznaczane przez orientacje incydencji i uczy się symetrycznych dodatniookreślonych metryk cochainowych dla propagacji zależnej od geometrii. To podejście traktuje metryki jako uczony parametr i wprowadza equivariance względem ortogonalnych zmian bazy cech.
Metodę implementuje się za pomocą metrycznie ważonych bloków Hodge'a zawierających operator d_k^top H_{k+1}d_k, co gwarantuje dokładne tożsamości kompleksu cochainowego, nieujemne energie Hodge'a i dodatniookreślone operatory. Najważniejsze dla fizyki jest dokładne zachowanie invariantu krzywizny Abelowej, co oznacza że sieć automatycznie respektuje głębokie zasady geometrii różniczkowej.
Testing na siedmiu benchmarkach - od dynamiki płynów CFD na zmiennych siatkach, przez symulacje elektromagnetyzmu, po pola gauge'a - pokazał konsekwentne przewagi RHMP nad metodami bazowymi. Największe zyski wynikają właśnie z sytuacji, gdy topologia, geometria i struktura pola fizyki oddziałują ze sobą. To sugeruje że ekspresyjna moc architektury pochodzi z jawnego modelowania tych interakcji zamiast ich implicit learning w graciach message passingu.