물리적 대칭성을 재학습 없이 학습하는 방법: 구(sphere) 상의 SO(3)-등변성 컨볼루션 네트워크 (CNN)

요약

본 논문은 물리 과학에서 흔히 사용되는 구(sphere) 상의 데이터에 대한 SO(3)-등변성 컨볼루션 네트워크(CNN) 아키텍처를 제안합니다. 이 방법은 대칭성을 명시적으로 반영하여, 모델이 훈련 과정에서 대칭성을 학습할 필요 없이 정확한 결과를 얻을 수 있게 합니다. 이는 특히 시뮬레이션 기반 추론(SBI)과 같은 분야에서 높은 효율성과 정확도를 제공합니다.

핵심 포인트

• SO(3)-등변성 CNN은 구 상의 데이터에 본질적인 대칭성을 반영합니다.
• 대칭성을 명시적으로 구현하여 훈련 과정의 에너지 소모를 줄입니다.
• 최고 수준의 SO(3)-불변성 오차와 정확한 등변성을 달성했습니다.
• SBI 분야에서 비용 효율적이며, 가장 타이트한 사후 분포를 산출합니다.