Las dinámicas siempre existen en sistemas complejos. Los gráficos (redes complejas) son una forma matemática de describir un sistema complejo de manera abstracta. Las dinámicas se pueden aprender de manera eficiente a partir de la estructura y el estado dinámico de un gráfico. Aprender las dinámicas en gráficos juega un papel importante en la predicción y el control de sistemas complejos. La mayoría de los métodos para aprender dinámicas en gráficos funcionan lentamente en gráficos grandes. La complejidad de la estructura del gráfico grande y sus dinámicas no lineales agravan este problema. Para superar estas dificultades, proponemos un marco general con dos métodos novedosos en este documento, el Dynamics-METIS (D-METIS) y el Aprendiz de Dinámicas de Gráficos Neurales Particionados (PGNDL). El marco general combina D-METIS y PGNDL para realizar tareas en gráficos grandes. D-METIS es un nuevo algoritmo que puede particionar un gráfico grande en múltiples subgráficos. D-METIS considera de manera innovadora los cambios dinámicos en el gráfico. PGNDL es un nuevo modelo paralelo que consiste en sistemas de ecuaciones diferenciales ordinarias y redes neuronales de gráficos (GNNs). Puede aprender rápidamente las dinámicas de los subgráficos en paralelo. En este marco, D-METIS proporciona a PGNDL subgráficos particionados, y PGNDL puede resolver las tareas de predicción de interpolación y extrapolación. Exhibimos la universalidad y superioridad de nuestro marco en cuatro tipos de gráficos con tres tipos de dinámicas a través de un experimento.