研究人员开发了一个新的张量代数框架，称为 $\star_G$，它内在地嵌入了等变性，从而实现了保持对称性的张量近似和物理对称性发现。该框架提供了每个不可约表示的预测的闭式分解，并且可以仅从数据中识别出潜在的对称群。在分子几何数据上的实证表明，与标准的 MLP 相比，参数显著减少，同时实现了可比的预测能力。 AI
影响 引入了一种新颖的代数方法，将物理对称性纳入机器学习模型，有望实现更高效、更具可解释性的科学发现人工智能。
排序理由 该集群包含一篇详细介绍新理论框架及其经验证明的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Eckart-Young optimality guarantee
- QM9
- SO(3)
- Shashanka Ubaru
- \\\u2217_G tensor algebra
- Wigner--Eckart selection rules
- Kronecker factorization
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →