深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它會(huì)自動(dòng)從輸入中學(xué)習(xí)復(fù)雜的表示。其應(yīng)用用于許多領(lǐng)域，例如用于語(yǔ)言處理、對(duì)象檢測(cè)和醫(yī)學(xué)成像診斷的圖像和語(yǔ)音識(shí)別;算法交易和欺詐檢測(cè)的融資;使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)決策的自動(dòng)駕駛汽車(chē);以及個(gè)性化內(nèi)容的推薦系統(tǒng)。

　　卷積神經(jīng)網(wǎng)絡(luò)和視覺(jué)轉(zhuǎn)換器是計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)模型的兩個(gè)示例，它們通過(guò)假設(shè)平面區(qū)域來(lái)分析信號(hào)。例如，數(shù)碼照片在平面上顯示為像素網(wǎng)格。盡管如此，這種數(shù)據(jù)類(lèi)型僅代表科學(xué)應(yīng)用中遇到的各種數(shù)據(jù)的一小部分。

　　但是，通過(guò)使用平面方法處理球形信號(hào)，可以改進(jìn)一些事情。首先，存在采樣問(wèn)題，這意味著不可能在球體上定義均勻網(wǎng)格，而不會(huì)產(chǎn)生明顯的失真。其次，旋轉(zhuǎn)經(jīng)常混淆球體上的信號(hào)和局部模式。為了確保模型準(zhǔn)確地學(xué)習(xí)特征，我們需要等方差到3D旋轉(zhuǎn)。因此，可以更有效地使用模型參數(shù)，并且可以使用更少的數(shù)據(jù)進(jìn)行訓(xùn)練。

　　直觀(guān)地說(shuō)，分子特性預(yù)測(cè)和氣候預(yù)測(cè)問(wèn)題都應(yīng)該受益于球形CNN。分子的內(nèi)在性質(zhì)對(duì)于3D結(jié)構(gòu)的旋轉(zhuǎn)是不變的，因此旋轉(zhuǎn)等變表示將提供一種自然的方式來(lái)編碼這種對(duì)稱(chēng)性。

　　因此，研究人員在JAX中制定了一個(gè)開(kāi)源庫(kù)，用于球面上的深度學(xué)習(xí)。它在分子特性預(yù)測(cè)和天氣預(yù)報(bào)基準(zhǔn)上的表現(xiàn)優(yōu)于最先進(jìn)的結(jié)果，通常由變壓器和圖形神經(jīng)網(wǎng)絡(luò)處理。

　　研究人員強(qiáng)調(diào)，這些可以解決采樣和旋轉(zhuǎn)魯棒性的問(wèn)題。它通過(guò)利用球形卷積和互相關(guān)操作來(lái)實(shí)現(xiàn)。球形CNN在兩個(gè)關(guān)鍵領(lǐng)域提供了有前途的應(yīng)用：醫(yī)學(xué)研究和氣候分析，具有催化社會(huì)變革性進(jìn)步的潛力。

　　球形CNN在解決與預(yù)測(cè)化學(xué)性質(zhì)和理解氣候狀態(tài)相關(guān)的挑戰(zhàn)方面具有理論優(yōu)勢(shì)。利用旋轉(zhuǎn)等變表示在捕獲分子結(jié)構(gòu)的固有對(duì)稱(chēng)性方面變得特別合乎邏輯，其中屬性對(duì)于 3D 旋轉(zhuǎn)保持不變。

　　由于大氣數(shù)據(jù)自然地顯示在球體上，因此球形CNN非常適合這項(xiàng)任務(wù)。它們還可以有效地管理這些數(shù)據(jù)在不同位置和方向的重復(fù)模式。

　　研究人員表示，他們的模型在許多天氣預(yù)報(bào)基準(zhǔn)上超過(guò)或匹配基于傳統(tǒng)CNN的神經(jīng)天氣模型。該模型提前六小時(shí)預(yù)測(cè)了幾個(gè)大氣變量的值，測(cè)試環(huán)境的結(jié)果如下所示。然后，在訓(xùn)練期間最多提前五天進(jìn)一步評(píng)估模型，并提前三天進(jìn)行預(yù)測(cè)。

　　此外，這些模型在各種天氣預(yù)報(bào)場(chǎng)景中表現(xiàn)出卓越的性能，證明了球形CNN作為神經(jīng)天氣模型的有效性，取得了突破性的成就。本研究概述了縮放球形CNN的最佳策略，并提供真實(shí)數(shù)據(jù)以支持它們?cè)谶@些特定應(yīng)用中的適用性。