Relaxed Equivariant Graph Neural Networks

要約

3D ユークリッド対称等変ニューラル ネットワークは、複雑な物理システムのモデリングにおいて顕著な成功を収めています。
連続グループ内の対称性の破れを学習して表現できる、緩和された $E(3)$ グラフ等変ニューラル ネットワークのフレームワークを紹介します。
既存の e3nn フレームワークに基づいて、制御された対称性の破れを可能にする緩和された重みの使用を提案します。
これらの緩和された重みが正しい量の対称性の破れを学習することを経験的に示します。

要約(オリジナル)

3D Euclidean symmetry equivariant neural networks have demonstrated notable success in modeling complex physical systems. We introduce a framework for relaxed $E(3)$ graph equivariant neural networks that can learn and represent symmetry breaking within continuous groups. Building on the existing e3nn framework, we propose the use of relaxed weights to allow for controlled symmetry breaking. We show empirically that these relaxed weights learn the correct amount of symmetry breaking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google