少5.6倍参数，精度不降反升！三维流体预测彻底摆脱旋转依赖
Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics
📖 AI 总结
该研究针对向量值偏微分方程的神经代理模型在坐标系旋转下预测不一致的问题，以三维纳维-斯托克斯动力学为对象展开分析。作者提出不变条件各向同性核神经算子（IKNO），一种紧凑的图模型，通过由旋转不变的标量量和随数据旋转的向量方向构建局部交互，使预测的速度变化能随输入位置与速度的旋转而精确同步旋转。在模型设计后固定的留出测试集上，无约束图模型即便用随机旋转样本训练，也只能减弱而无法消除坐标依赖；IKNO则达到数值精度上的一致，以少5.6倍的参数量匹配通用旋转感知张量场网络的预测精度，并优于参数量相当的图模拟器。结果表明，面向偏微分方程的紧凑专用模型可在不牺牲预测精度的前提下消除坐标依赖。
🔑 关键词速览
| SO(3)-Equivariant | SO(3)等变性：指模型在三维旋转群作用下，输入旋转时输出以相同方式旋转的性质。 |
| Isotropic Kernel | 各向同性核：一种仅依赖于点间距离而不依赖于方向的核函数，具有旋转不变性。 |
| Neural Operator | 神经算子：学习无限维函数空间之间映射的神经网络，常用于求解偏微分方程。 |
| Navier-Stokes | Navier-Stokes方程：描述流体运动的基本偏微分方程，涉及速度、压力等向量场。 |
| Tensor Field Network | 张量场网络：一种能够处理旋转等变性的图神经网络，常用于分子和物理模拟。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅