KI und die schwierigen Probleme der Welt · Astronomie & Weltraum · arXiv · 2026-10-19
Lernen ohne erneutes Lernen physikalischer Symmetrie: ein SO(3)-äquivariantes Faltungsnetzwerk (CNN) auf der Sphäre
Originaltitel: Learning without relearning physical symmetry: an SO(3)-equivariant convolutional network (CNN) on the sphere
Viele physikalische Datensätze liegen auf der Sphäre und haben keine bevorzugte Orientierung, und Methoden, die diese Symmetrie ignorieren, benötigen weit mehr Simulationen. Die Autoren schlagen ein SO(3)-äquivariantes CNN für die HEALPix-Sphäre vor, das die Symmetrie in die Architektur einbaut, sodass das Netzwerk sie nicht aus den Daten lernen muss. In Benchmarks liefert es die genaueste dichte Gradientenregression, und bei der simulationsbasierten Inferenz mit kosmologischem Lensing erzielt es bei gleicher Simulationsanzahl die engsten Posteriorverteilungen.