ترجمه فارسی مقاله شبکه‌های عصبی گراف هم‌وردا با رویکرد آرام

چکیده

3D Euclidean symmetry equivariant neural networks have demonstrated notable success in modeling complex physical systems. We introduce a framework for relaxed $E(3)$ graph equivariant neural networks that can learn and represent symmetry breaking within continuous groups. Building on the existing e3nn framework, we propose the use of relaxed weights to allow for controlled symmetry breaking. We show empirically that these relaxed weights learn the correct amount of symmetry breaking.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی تقارن سه بعدی اقلیدسی در مدل سازی سیستم های فیزیکی پیچیده ، موفقیت قابل توجهی را نشان داده اند.ما چارچوبی را برای شبکه های عصبی Equivariart $ آرام (3) $ $ (نمودار) ارائه می دهیم که می توانند تقارن را در گروه های مداوم بیاموزند و نشان دهند.با تکیه بر چارچوب E3NN موجود ، ما استفاده از وزنهای آرام را پیشنهاد می کنیم تا تقارن کنترل شده را فراهم کنیم.ما از نظر تجربی نشان می دهیم که این وزن های آرام مقدار صحیح شکستن تقارن را می آموزند.