新上线昨天0 投票
精确SO(3)等变各向同性核：让神经动力学模型摆脱旋转困扰
当物理定律遇上旋转：神经代理模型的“坐标系依赖”困境
在科学机器学习领域，用神经网络代理求解偏微分方程（PDE）已成为热门方向。然而，一个长期被忽视的问题正浮出水面：许多模型在训练数据上表现优异，但当同一物理状态被旋转到不同坐标系下表达时，预测结果却会发生变化。这种“坐标系依赖”不仅违背物理直觉，也限制了模型在真实场景中的可靠性。
近日，arXiv 上的一篇论文《Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics》针对三维 Navier-Stokes 动力学中的这一问题提出了解决方案。作者 Ridham Patel 指出，当观测点不规则分布时，传统图神经网络代理模型难以保持旋转不变性。即使通过随机旋转样本进行数据增强，也只能减少而不能消除坐标依赖性。
核心方法：不变条件各向同性核神经算子（IKNO）
论文提出了一种紧凑的图模型——Invariant-Conditioned Isotropic Kernel Neural Operator (IKNO)。其核心思想是：
- 局部交互的构建仅基于旋转不变的标量（如距离、速度模长等）和随数据旋转的向量方向；
- 因此，当输入的位置和速度被旋转时，预测的速度变化会以完全相同的方式旋转，从而严格满足 SO(3) 等变性。
这种设计使得模型在数值精度上保持一致，同时避免了坐标依赖。
实验结果：精度与效率兼得
在模型设计后固定的留出测试集上，作者对比了多种方法：
- 无约束图模型：即使使用随机旋转增强，仍无法彻底消除坐标依赖；
- IKNO：在数值精度内保持一致，预测精度与通用的旋转感知张量场网络（Tensor Field Network）相当，但参数量仅为后者的 1/5.6；
- 参数匹配的图模拟器：IKNO 性能更优。
这些结果表明，针对 PDE 专门设计的紧凑模型可以在不牺牲预测精度的前提下，消除坐标依赖性。
行业意义：物理先验与神经网络的深度融合
该工作已被 NeurIPS 2026 Workshop NeurReps 接收。它传递出一个清晰信号：在科学计算中，将对称性等物理先验嵌入神经网络架构，不仅能提升泛化能力，还能大幅降低参数量。对于气候建模、流体仿真、分子动力学等领域，这种“物理感知”的代理模型有望成为更可靠、更高效的替代方案。
未来，如何将此类等变核推广到更复杂的 PDE 系统（如多物理场耦合、不规则边界条件）值得进一步探索。
