SO(3)等变CNN：球面物理对称性的免重学卷积网络

物理科学中许多关键数据集天然定义在球面上，且往往没有优先的位置或方向。传统方法若不体现这种对称性，会大幅增加模拟需求，甚至迫使研究者使用廉价但不完美的模型，从而引入偏差。一篇最新研究提出了一种针对HEALPix球面网格的规范等变网格架构，通过可控滤波器、平行传输和自旋加权特征构建SO(3)等变卷积，使网络无需从数据中重新学习对称性。

为什么球面对称性如此重要

球面数据（如宇宙微波背景辐射、地球科学观测）的统计特性不依赖于旋转。如果神经网络不能内建这种对称性，它就必须用大量训练样本去“学习”旋转不变性——这直接推高了模拟成本。在基于模拟的推断（SBI）中，高保真模拟极为昂贵，固定预算下使用不精确模拟器会导致后验分布有偏。该研究通过架构设计直接注入SO(3)等变性，从根源上消除了这一负担。

基于模拟的推断（Simulation-Based Inference, SBI）是一类无需显式似然函数的统计推断方法：研究者从模拟器中采样参数-数据对，训练神经网络来近似后验分布或似然比。其核心瓶颈在于模拟器的保真度与数量——高保真模拟（如宇宙学中的N体模拟）单次运行可能耗费数千CPU小时，固定预算下若使用近似模拟器，学到的后验会系统性偏离真实后验。等变架构的价值在于：它把已知的物理对称性从"需要数据学习的负担"转变为"架构自带的结构"，从而让有限的模拟样本集中用于约束非对称的自由度，这正是该研究强调"无需重新学习物理对称性"的方法论根基。

技术核心：可证明精确的等变卷积

作者在HEALPix像素化方案上实现了规范等变网格架构。具体而言，卷积操作由三个组件构成：

• 可控滤波器（steerable filters）：在频域定义滤波器，通过旋转谐波系数实现等变响应；
• 平行传输（parallel transport）：处理球面上不同切空间之间的向量比较；
• 自旋加权特征（spin-weighted features）：自然表示球面上的方向性信息。

给定频带限制，这些卷积操作具有可证明的精确等变性，而非近似。完整CNN的SO(3)不变性误差可控制在百分比级别甚至更低，且该误差由频带限制、网络深度等超参数显式控制——这意味着实践者可以按需权衡精度与计算量。

HEALPix（Hierarchical Equal Area isoLatitude Pixelization）是天体物理中广泛使用的球面像素化方案，其特点是所有像素面积相等、纬度圈上像素分布规则，便于对球面信号做调和分析（球谐变换）。与立方球、经纬网格不同，HEALPix 的等面积特性避免了极区像素过度密集的问题，且其分层结构天然支持多分辨率分析，这正是宇宙微波背景辐射观测数据（如Planck卫星）的标准存储格式。该研究的架构直接建立在 HEALPix 的像素邻接关系与球谐变换之上，因此能无缝对接现有天文数据管线，这是其工程实用性的重要来源。

球面上的向量场（如偏振、风场、梯度方向）不能像平面向量那样直接比较或卷积：不同点的切平面朝向各异，必须先通过平行传输（parallel transport）将向量沿测地线移动到同一切空间才能做内积。自旋加权球谐函数则提供了描述这类方向性场的自然基——自旋为0对应标量场（如温度），自旋为±2对应偏振场（如CMB的Q/U分量）。可控滤波器在频域与这些自旋加权谐波耦合，使得滤波器的旋转响应可以解析地由谐波系数的相位旋转给出，从而在离散像素网格上实现连续旋转群SO(3)的精确等变性，而非仅在少数离散角度上近似。

基准表现：梯度回归与CMB前景去除

在密集梯度回归任务中，该方法取得了最准确的性能；在宇宙微波背景（CMB）前景去除和去噪任务上，表现与现有最佳方法相当。更关键的是模拟效率的提升：在宇宙学透镜SBI任务中，相同的模拟次数下，该技术给出了最紧致的后验分布。这意味着在有限计算资源下，研究者可以获得更高的统计置信度。

对球面神经网络分析的意义

该架构不仅适用于分类或回归，还为球面上的生成建模和推断任务打开了新路径。由于等变性由架构保证而非学习得到，网络容量可以全部用于拟合数据中的非对称模式，而非浪费在重复发现已知物理定律上。对于天体物理、地球科学、分子模拟等领域，这代表了一种更数据高效、更物理一致的深度学习范式。

论文标题：Learning without relearning physical symmetry: an SO(3)-equivariant convolutional network (CNN) on the sphere