arXivDaily arXiv每日学术速递 周一至周五更新
arXiv 2402.14730cs.LGcs.AI
收藏

Clifford-可操控卷积神经网络

Clifford-Steerable Convolutional Neural Networks

University of Amsterdam(阿姆斯特丹大学);AMLab;Informatics Institute(信息学研究所);AI4Science Lab(AI4Science实验室);Anton Pannekoek Institute for Astronomy(安东·潘内科克天文研究所);Microsoft Research(微软研究院);ELLIS Unit Linz(林茨ELLIS单元);Institute for Machine Learning(机器学习研究所);JKU Linz(约翰内斯·开普勒大学林茨分校);NXAI GmbH(NXAI有限公司)

Maksim Zhdanov, David Ruhe, Maurice Weiler, Ana Lucic, Johannes Brandstetter, Patrick Forré

AI总结:

本文提出Clifford-可操控卷积神经网络(CS-CNNs),通过Clifford群等变神经网络隐式参数化可操控核,在伪欧几里得空间上实现E(p,q)-等变的多向量场处理,并在流体动力学和相对论电动力学预测任务中显著优于基线方法。

摘要:

我们提出了Clifford-可操控卷积神经网络(CS-CNNs),这是一类新颖的$\mathrm{E}(p, q)$-等变CNN。CS-CNNs在伪欧几里得空间$\mathbb{R}^{p,q}$上处理多向量场。例如,它们涵盖了$\mathbb{R}^3$上的$\mathrm{E}(3)$-等变性,以及Minkowski时空$\mathbb{R}^{1,3}$上的庞加莱等变性。我们的方法基于通过Clifford群等变神经网络对$\mathrm{O}(p,q)$-可操控核进行隐式参数化。在流体动力学以及相对论电动力学预测任务上,我们显著且一致地优于基线方法。

英文摘要:

We present Clifford-Steerable Convolutional Neural Networks (CS-CNNs), a novel class of $\mathrm{E}(p, q)$-equivariant CNNs. CS-CNNs process multivector fields on pseudo-Euclidean spaces $\mathbb{R}^{p,q}$. They cover, for instance, $\mathrm{E}(3)$-equivariance on $\mathbb{R}^3$ and Poincaré-equivariance on Minkowski spacetime $\mathbb{R}^{1,3}$. Our approach is based on an implicit parametrization of $\mathrm{O}(p,q)$-steerable kernels via Clifford group equivariant neural networks. We significantly and consistently outperform baseline methods on fluid dynamics as well as relativistic electrodynamics forecasting tasks.

机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。

↑