面向保持对称性数据处理的宇宙级基准测试

在保留多尺度信息的同时高效处理结构化点云数据，是从图形学到原子级建模等各领域面临的关键挑战。我们使用一个经过精心整理的模拟星系位置与属性数据集（表示为点云），对图神经网络同时捕捉局部聚类环境和长程关联的能力进行了基准测试。鉴于宇宙的均匀性和各向同性，该数据表现出高度的对称性。因此，我们重点评估欧几里得保持对称性（$E(3)$-等变）图神经网络的性能，结果表明它们在下游性能和模拟效率方面均优于非等变模型以及特定领域的信息提取技术。然而，我们发现当前架构在捕捉长程关联信息方面不如特定领域的基线方法有效，这为未来更适合提取长程信息的架构研究提供了动力。