로봇 조작용 데이터 효율적인 객체 역학 모델 학습은 여전히 도전과제이며, 특히 변형 가능한 객체의 경우 더욱 그렇습니다. 일반적인 접근 방식은 객체를 3D 입자 집합으로 모델링하고 그래프 신경 네트워크 (Graph Neural Network) 를 사용하여 그 운동 법칙을 학습하는 것입니다. 그러나 실제 적용에서는 긴 시간 구간에서 물리적 실현 가능성을 유지하기에는 부족하며, 많은 상호작용 데이터를 필요로 합니다. 우리는 제한된 실세계 상호작용 데이터를 활용하여 강성체와 변형 가능한 두 가지 모두의 객체 역학을 포착하기 위해 분석 물리와 데이터 기반 모델을 결합하는 새로운 접근 방식인 PIEGraph를 소개합니다. PIEGraph는 두 가지 구성 요소로 이루어져 있습니다: (1) 물리적으로 정보에 기반한 입자 기반 분석 모델 (스프링-질량 시스템으로 구현되어 물리적으로 실현 가능한 운동을 강제), 및 (2) 입자 상호작용의 대칭성을 활용하여 분석 모델을 안내하는 새로운 행동 표현을 갖춘 등변성 그래프 신경 네트워크 (Equivariant Graph Neural Network). 우리는 PIEGraph를 줄, 천, 인형, 강성체와 같은 객체의 재배치 및 재위치 작업에서 시뮬레이션과 로봇 하드웨어에서 평가했습니다. 우리의 방법은 정확한 역학 예측과 신뢰할 수 있는 다운스트림 로봇 조작 계획 수립을 가능하게 하며, 이는 최신 기법들보다 우수한 성능을 보입니다.