面向点云深度学习的平滑精确旋转对称化方法

点云是三维物体的通用表示，已在科学与工程领域得到广泛应用。已有许多成功的深度学习模型以其为输入。化学与材料建模领域尤其具有挑战性，因为模型要在实际中可用，高度期望其严格满足物理约束。这些约束包括平滑性，以及对相同原子的平移、旋转和置换的不变性。若未严格满足这些要求，原子尺度模拟即便模型精度优良也可能得出荒谬结果。因此，人们开发了通过限制设计空间来实现不变性的专用架构。通用点云模型更为多样，但常忽视旋转对称性。我们提出一种通用对称化方法，在为任意给定模型增添旋转等变性的同时保留其他所有要求。我们的方法通过放宽设计空间约束并使得借鉴其他领域有效思路成为可能，简化了更优原子尺度机器学习方案的开发。我们引入Point Edge Transformer（PET）架构来演示该思想，该架构本身非内在等变，却在多个分子与固体基准数据集上取得最先进性能。对我们通用协议的后验应用使PET获得精确等变性，且对其精度影响极小。