🔥 今日值得一读
球面CNN免学对称性，模拟效率飙升，宇宙学推断后验最紧致！
Learning without relearning physical symmetry: an SO(3)-equivariant convolutional network (CNN) on the sphere
👨💼 主理人解读 · 为什么值得关注
处理球面科学数据时，用该等变CNN可减少模拟需求并避免破坏旋转对称性。
📖 AI 总结
该研究针对物理科学中大量数据天然分布于球面且无优先位置或方向的特点，提出一种专为HEALPix球面像素化设计的SO(3)等变卷积网络。其卷积由可导向滤波器、平行移动和自旋加权特征构建，在给定带限下具有可证明的精确等变性，使网络无需耗费训练数据去学习对称性。实验显示，完整CNN的SO(3)不变性误差可控制在百分之一及以下，并可通过超参数调节；在基准测试中取得最精确的稠密梯度回归，在宇宙微波背景前景去除与去噪上表现有竞争力。该方法的模拟效率优势在基于模拟的推断中尤为关键，在宇宙学透镜SBI中于相同模拟数量下给出最紧致的后验分布，为球面数据上的生成与推断任务提供了新途径。
🔑 关键词速览
| SO(3)-equivariant convolutional network | 一种卷积神经网络，其卷积操作对三维旋转群SO(3)具有等变性，即输入旋转时输出相应旋转。 |
| HEALPix | 分层等面积等纬度像素化，一种将球面划分为等面积像素的标准方法，常用于天文和宇宙学数据。 |
| Steerable filters | 可导向滤波器，一类能够通过旋转基函数线性组合来表示任意方向滤波器的卷积核，用于构建等变网络。 |
| Simulation-based inference (SBI) | 基于模拟的推断，一种利用模拟数据训练神经网络来近似后验分布的统计推断方法，常用于复杂物理模型。 |
| Cosmic microwave background (CMB) | 宇宙微波背景辐射，宇宙大爆炸遗留的辐射，是宇宙学观测的重要数据，常需去除前景干扰。 |
📱 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