深度學習是機器學習的一個子集，它會自動從輸入中學習復雜的表示。其應用用于許多領域，例如用于語言處理、對象檢測和醫(yī)學成像診斷的圖像和語音識別;算法交易和欺詐檢測的融資;使用卷積神經(jīng)網(wǎng)絡進行實時決策的自動駕駛汽車;以及個性化內(nèi)容的推薦系統(tǒng)。

　　卷積神經(jīng)網(wǎng)絡和視覺轉(zhuǎn)換器是計算機視覺深度學習模型的兩個示例，它們通過假設平面區(qū)域來分析信號。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)類型僅代表科學應用中遇到的各種數(shù)據(jù)的一小部分。

　　但是，通過使用平面方法處理球形信號，可以改進一些事情。首先，存在采樣問題，這意味著不可能在球體上定義均勻網(wǎng)格，而不會產(chǎn)生明顯的失真。其次，旋轉(zhuǎn)經(jīng)常混淆球體上的信號和局部模式。為了確保模型準確地學習特征，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)進行訓練。

　　直觀地說，分子特性預測和氣候預測問題都應該受益于球形CNN。分子的內(nèi)在性質(zhì)對于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編碼這種對稱性。

　　因此，研究人員在JAX中制定了一個開源庫，用于球面上的深度學習。它在分子特性預測和天氣預報基準上的表現(xiàn)優(yōu)于最先進的結(jié)果，通常由變壓器和圖形神經(jīng)網(wǎng)絡處理。

　　研究人員強調(diào)，這些可以解決采樣和旋轉(zhuǎn)魯棒性的問題。它通過利用球形卷積和互相關操作來實現(xiàn)。球形CNN在兩個關鍵領域提供了有前途的應用：醫(yī)學研究和氣候分析，具有催化社會變革性進步的潛力。

　　球形CNN在解決與預測化學性質(zhì)和理解氣候狀態(tài)相關的挑戰(zhàn)方面具有理論優(yōu)勢。利用旋轉(zhuǎn)等變表示在捕獲分子結(jié)構(gòu)的固有對稱性方面變得特別合乎邏輯，其中屬性對于 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非常適合這項任務。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模式。

　　研究人員表示，他們的模型在許多天氣預報基準上超過或匹配基于傳統(tǒng)CNN的神經(jīng)天氣模型。該模型提前六小時預測了幾個大氣變量的值，測試環(huán)境的結(jié)果如下所示。然后，在訓練期間最多提前五天進一步評估模型，并提前三天進行預測。

　　此外，這些模型在各種天氣預報場景中表現(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，并提供真實數(shù)據(jù)以支持它們在這些特定應用中的適用性。