Naukowcy z arXiv opracowali Conservative Hybrid Graph Network (CHGN), która rozwiązuje fundamentalny problem modelowania systemów procesowych w przemyśle. W rzeczywistych instalacjach przepływy są tłumione lub omijane, a poszczególne urządzenia przechodzą między stanami bezczynności, przejścia i aktywności - jednak dotychczasowe modele grafowe uczyły się tych wzorców bez gwarancji, że zachowują prawidłową fizykę, zwłaszcza bilans masy.
CHGN łączy sieci grafowe z równaniami transportu, ucząc się routingu, przypisania reżimów pracy i szybkości usuwania jako zastępników opartych na danych, ale zawsze wstawiając je do stałego równania transportu. Dzięki temu bilans masy zachowuje się automatycznie dla każdej przewidywanej trasy. Model trenowany na małych sieciach 10-20 węzłów przeniósł się zero-shot na nieznane grafy o 25-40 węzłach bez przeuczonego, osiągając RMSE 2,1e-3 wobec 6e-2 do 9e-2 dla standardowych GNN. Dokładność przypisania reżimów wyniosła 94,3%, a błąd bram 7,9e-3.
Na rzeczywistej instalacji do mieszania płynów model poprawił predykcje w stosunku do linii bazowej dla nieobserowanych błędów fizycznych. Znaczenie pracy polega na tym, że CHGN ujawnia ukryte mechanizmy rządzące zachowaniem instalacji, co umożliwia inżynierom diagnozowanie i optymalizację systemów procesowych bez konieczności ciągłego przeuczonego modelu dla każdej nowej topologii.