[論文レビュー] Geometrical aspects of lattice gauge equivariant convolutional neural networks

Jimmy Aronsson, David I. Müller+1 more|arXiv (Cornell University)|Mar 20, 2023

Computational Physics and Python Applications被引用数 6

ひとこと要約

この論文は、ゲージ不変性に加えて回転や反転などのグローバルなラティス対称性を組み込むことで、ラティスゲージ等変換畳み込みニューラルネットワーク（L-CNN）を拡張し、完全な群等変換性を達成している。幾何学的に、L-CNNはSU(N)主束上の離散化ゲージ等変換畳み込みネットワークとして定式化され、並進、回転、ゲージ対称性が統一されたフレームワークに統合されている。

ABSTRACT

Lattice gauge equivariant convolutional neural networks (L-CNNs) are a framework for convolutional neural networks that can be applied to non-Abelian lattice gauge theories without violating gauge symmetry. We demonstrate how L-CNNs can be equipped with global group equivariance. This allows us to extend the formulation to be equivariant not just under translations but under global lattice symmetries such as rotations and reflections. Additionally, we provide a geometric formulation of L-CNNs and show how convolutions in L-CNNs arise as a special case of gauge equivariant neural networks on SU($N$) principal bundles.

研究の動機と目的

• ラティスのグローバルな対称性（回転や反転を含む）を、並進等変換性を超えてL-CNNに組み込むこと。
• ファイバー束理論と主束を用いてL-CNNの幾何的定式化を提供すること。
• 1つのニューラルネットワークアーキテクチャ内でゲージ等変換性とグローバル群等変換性を統合すること。
• L-CNN畳み込みが、SU(N)主束上の連続的ゲージ等変換畳み込みの離散化版として生じることを示すこと。
• グローバル対称性と局所的対称性を同時に記述できる正しい主束構造を特定すること。これは今後の研究課題として残す。

提案手法

• ハイパーキューブラティスの全グローバル対称性群Gの下で等変性を達成するために、群等変換畳み込み（G-CNN）手法をL-CNNに適応する。
• テンソル場に作用し、並進、回転、反転に対して等変性であるゲージ等変換畳み込みを導入する。
• 局所的ゲージ対称性を保つために、畳み込みの定義に平行移動を用いる。
• L-CNNの幾何的構造を、SU(N)主束上のゲージ等変換ニューラルネットワークと関連付けることで導出する。
• 特徴マップの定義域を全群Gに拡大することで、完全な対称性等変換性を実現するが、計算コストが増加する。
• 入力データのバンドル構造を分析し、異なるゲージ群表現に対応する関連バンドルを同定する。

実験結果

リサーチクエスチョン

• RQ1 L-CNNは、並進だけでなく回転や反転を含むラティスの全グローバル対称性群に対して、どのように等変性に拡張できるか？
• RQ2 L-CNNの幾何的解釈は、時空上のファイバー束や主束としてどのように記述できるか？
• RQ3 L-CNN畳み込みは、SU(N)主束上の連続的ゲージ等変換畳み込みの離散化として理解できるか？
• RQ4 グローバルラティス対称性と局所的SU(N)ゲージ対称性を同時に正確に記述できる主束構造は何か？
• RQ5 完全な群等変換性の計算コストは、標準的なL-CNNと比べてどの程度か？

主な発見

• 提案されたL-CNN拡張は、並進だけでなく回転や反転を含む全グローバル対称性群Gに対して等変性を達成しており、元の定式化では並進のみに限られていたのとは対照的である。
• このフレームワークは、L-CNN畳み込みがSU(N)主束上のゲージ等変換畳み込みの特別なケースであることを示しており、アーキテクチャに幾何的基盤を与える。
• 全群Gに特徴マップの定義域を拡大する必要があるため、標準的なL-CNNと比較してメモリと計算コストが増加する。
• L-CNNにおける入力データは、構造群がSU(N)で基底空間がラティスである主束上の関連バンドルのセクションに対応する。
• G × SU(N)を含む候補の主束が検討されたが、群等変換L-CNN構造と整合しないとして却下された。
• グローバル対称性と局所的対称性を同時に記述できるより広範なバンドル理論的枠組みの必要性が同定され、これは今後の研究課題として残されている。