[논문 리뷰] Geometrical aspects of lattice gauge equivariant convolutional neural networks

Jimmy Aronsson, David I. Müller외 1명|arXiv (Cornell University)|2023. 03. 20.

Computational Physics and Python Applications인용 수 6

한 줄 요약

이 논문은 전단위 대칭성(예: 회전 및 반사)을 게이지 불변성과 함께 통합함으로써 격자 게이지 등변성 컨volution 신경망(L-CNN)을 확장한다. 이로써 전체 군 등변성(-equivariance)을 달성한다. 연구는 L-CNN을 기하학적으로 SU(N) 주근형다발 위의 이산화된 게이지 등변성 네트워크로 재구성하여, 이동, 회전, 게이지 대칭성을 하나의 프레임워크 안에서 통합한다.

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.

연구 동기 및 목표

• 원래의 L-CNN가 이동 등변성에 국한되어 있는 것을 초월하여, 격자의 전역 대칭성(예: 회전 및 반사)에 등변성이 되도록 L-CNN를 확장하는 것.
• 섬유다발 이론과 주다발을 사용하여 L-CNN의 기하학적 기초를 제공하는 것.
• 한 개의 신경망 아키텍처 안에서 게이지 등변성과 전역 군 등변성을 통합하는 것.
• L-CNN 컨벌루션들이 SU(N) 주다발 위의 연속적인 게이지 등변성 컨벌루션의 이산화된 형태로 나타남을 보여주는 것.
• 전역 대칭성과 국소 대칭성을 동시에 기술할 수 있는 올바른 주다발 구조를 규명하고, 이를 향후 연구 과제로 남기는 것.

제안 방법

• 초기 L-CNN의 이동 등변성 외에 전역 대칭군 G의 전체 군에 대해 등변성을 달성하기 위해 군 등변성 컨volution 신경망(G-CNN) 기법을 L-CNN에 적용한다.
• 텐서 장에 작용하고 이동, 회전, 반사에 대해 등변성을 보장하는 게이지 등변성 컨벌루션을 도입한다.
• 지역 게이지 대칭성을 유지하기 위해 병렬 이동(parallel transport)을 컨벌루션 정의에 통합한다.
• L-CNN의 기하학적 구조를 SU(N) 주다발 위의 게이지 등변성 신경망과의 유사성으로 유도한다.
• 특징 맵의 정의 도메인을 전체 군 G로 확장함으로써 전체 대칭성 등변성을 달성한다. 이는 메모리 및 계산 비용 증가를 수반하지만, 완전한 대칭성 등변성을 가능하게 한다.
• 입력 데이터의 다발 구조를 분석하고, 다양한 게이지 군 표현에 대응하는 관련 다발을 규명한다.

실험 결과

연구 질문

• RQ1 격자 전역 대칭군(이동, 회전, 반사 포함)에 대해 L-CNN을 어떻게 확장하여 등변성을 달성할 수 있는가?
• RQ2 L-CNN의 기하학적 해석은 시공간 위의 섬유다발과 주다발 이론을 통해 어떻게 기술될 수 있는가?
• RQ3 L-CNN 컨벌루션은 SU(N) 주다발 위의 연속적인 게이지 등변성 컨벌루션의 이산화된 형태로 이해될 수 있는가?
• RQ4 전역 격자 대칭성과 국소 SU(N) 게이지 대칭성을 동시에 정확히 기술할 수 있는 주다발의 올바른 구조는 무엇인가?
• RQ5 전체 군 등변성의 계산 비용은 기존 L-CNN와 비교해 어떻게 되는가?

주요 결과

• 제안된 L-CNN 확장 기법은 원래의 이동 등변성 외에도 이동, 회전, 반사 등 전역 대칭군 G 전체에 대해 등변성을 달성한다.
• 이 프레임워크는 L-CNN 컨벌루션이 SU(N) 주다발 위의 게이지 등변성 컨벌루션의 특수한 경우임을 보여주며, 아키텍처의 기하학적 기초를 제공한다.
• 전체 군 등변성을 달성하기 위해 특징 맵의 정의 도메인을 전체 군 G로 확장해야 하며, 이는 표준 L-CNN보다 메모리 및 계산 비용을 증가시킨다.
• L-CNN의 입력 데이터는 기저 공간이 격자이고 구조군이 SU(N)인 주다발 위의 섹션으로 기술되며, 이는 관련 다발의 섹션에 해당한다.
• G × SU(N)를 포함하는 후보 주다발을 고려했으나, 군 등변성 L-CNN 아키텍처와의 불일치로 기각되었다.
• 전역 대칭성과 국소 대칭성을 동시에 기술할 수 있는 더 넓은 다발 이론 프레임워크의 필요성을 규명하였으며, 이를 향후 연구 과제로 남겼다.