Riuscire a catturare l'intricato comportamento tridimensionale (3D) dei sistemi relazionali è una sfida cruciale nelle scienze naturali, con applicazioni che vanno dalla simulazione delle interazioni molecolari all'analisi della meccanica delle particelle. Gli approcci di machine learning hanno fatto passi da gigante in questo settore, utilizzando le reti neurali a grafo per apprendere e rappresentare efficacemente le interazioni spaziali. Le Neural Ordinary Differential Equation (NODE) e i neural operator (NO) rappresentano due approcci potenti, ma distinti, per affrontare questo problema. Mentre le NODE eccellono nella modellazione in tempo continuo utilizzando risolutori di equazioni differenziali, gli Operatori Neurali possono gestire dinamiche più complesse attraverso condizioni iniziali variabili imparando il mapping funzionale.