Сотрудники Лаборатории геометрической алгебры и приложений НИУ ВШЭ представили архитектуру для GLGENN (Generalized Lipschitz Group Equivariant Neural Networks) для работы с эквивариантными нейросетями. Решение основано на геометрической алгебре Клиффорда и оригинальном методе разделения весов, который учитывает внутренние алгебраические структуры данных.

Эквивариантные нейросети — это класс ML-моделей, которые способны распознавать и сохранять симметрии в данных, например при повороте или зеркальном отражении. Они используются в физике, инженерии, биологии, компьютерном зрении. Среди прочего их применяют для моделирования физических систем и молекул. Эквивариантные нейросети требуют большого количества обучаемых параметров — это делает их требовательными к ресурсам.

GLGENN, как утверждают ученые, также способна сохранять симметрию, но требует в разы меньше параметров. По словам разработчиков, даже с ограниченными данными нейросети могут обучаться эффективно и без потери качества.

Решение испытали на ряде задач: от симуляции физических процессов до работы с геометрическими данными. Утверждается, что модель показала сравнимые или лучшие результаты, чем у других существующих методов.