球面ニューラル演算子2025/12/11arXiv:2512.10723

一般化球面ニューラル演算子：グリーン関数定式化

Generalized Spherical Neural Operators: Green's Function Formulation

球面グリーン関数に基づくニューラル演算子の設計枠組みを提案し、等変性と不変性を柔軟に調整できるGSNOと階層的アーキテクチャSHNetを開発した。

詳しい要約

1. どんなもの？

- 球面上の偏微分方程式(PDE)を解くための新しいニューラル演算子フレームワーク。 - 設計可能な球面Green's functionとその調和展開に基づく。 - 絶対・相対位置依存のGreen's functionを導入し、等変性と不変性のバランスを柔軟に調整。 - 提案演算子GSNOと階層アーキテクチャSHNetを開発。 - 拡散MRI、浅水動力学、全球天気予報で評価。

2. 先行研究と比べてどこがすごい？

- 既存の球面演算子は回転等変性に依存するが、実世界の複雑さへの柔軟性が不足。 - 提案手法は等変性と不変性のバランスを柔軟に調整でき、非等変系にも適応可能。 - スペクトル効率とグリッド不変性を保持。 - 理論的・実験的に最先端手法を上回る性能を達成。

3. 技術・手法の肝は？

- 設計可能な球面Green's functionとその調和展開に基づく演算子設計フレームワーク。 - 絶対・相対位置依存のGreen's functionを導入。 - 新しいスペクトル学習法を備えたGSNO。 - 多スケールスペクトルモデリングと球面アップ・ダウンサンプリングを組み合わせた階層アーキテクチャSHNet。

4. どうやって有効だと検証した？

- 拡散MRI、浅水動力学、全球天気予報の3つのタスクで評価。 - GSNOとSHNetが一貫して最先端手法を上回る性能を示した。 - 理論的・実験的結果がGSNOの有効性を裏付け。

5. 議論はある？

- 理論と実験結果から、GSNOが球面演算子設計と学習のための原理的で汎用的なフレームワークであると位置づけ。 - 厳密な理論と実世界の複雑さを橋渡しする。 - 具体的な限界や議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、回転等変性に基づく既存の球面演算子(spherical operators)やニューラル演算子(neural operators)が挙げられる。 - 同分野の定番として、Fourier Neural Operator (FNO)、DeepONet、球面CNN (spherical CNN)などが考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hao Tang, Hao Chen, Chao Li

分類: cs.LG

原文アブストラクト

Neural operators offer powerful approaches for solving parametric partial differential equations, but extending them to spherical domains remains challenging due to the need to preserve intrinsic geometry while avoiding distortions that break rotational consistency. Existing spherical operators rely on rotational equivariance but often lack the flexibility for real-world complexity. We propose a generalized operator-design framework based on the designable spherical Green's function and its harmonic expansion, establishing a solid operator-theoretic foundation for spherical learning. Based on this, we propose an absolute and relative position-dependent Green's function that enables flexible balance of equivariance and invariance for real-world modeling. The resulting operator, Green's-function Spherical Neural Operator (GSNO) with a novel spectral learning method, can adapt to non-equivariant systems while retaining spectral efficiency and grid invariance. To exploit GSNO, we develop SHNet, a hierarchical architecture that combines multi-scale spectral modeling with spherical up-down sampling, enhancing global feature representation. Evaluations on diffusion MRI, shallow water dynamics, and global weather forecasting, GSNO and SHNet consistently outperform state-of-the-art methods. The theoretical and experimental results position GSNO as a principled and generalized framework for spherical operator design and learning, bridging rigorous theory with real-world complexity. The code is available at: https://github.com/haot2025/GSNO.

arXivで原文を読む →arXiv概要ページ

← 論文一覧