Lorentz Graph Neural Networks

Summary

Lorentz Graph Neural Networks 将 Lorentz symmetry（相对论的核心对称性）嵌入 GNN 架构，实现 Lorentz-equivariant message passing。特别适用于高能物理中的 particle jet classification。

Problem & Motivation

物理系统 GNN 问题：

Particle physics 数据具有 Lorentz symmetry
传统 GNN 不保留 physical equivariance
需要 respect boosts/rotations 等 Lorentz transformations

Method

核心设计：

Lorentz Equivariance: 网络对 Lorentz transformations（boosts, rotations）equivariant
Message Passing: Lorentz-aware aggregation
Architecture: 适配 particle physics graph structure

物理背景：

Lorentz group: SO(3,1) transformations
Equivariance: f(ρ(g)x) = ρ’(g)f(x)

Key Results

Particle jet classification improved
Generalization with less training data
Physical interpretability

Strengths & Weaknesses

亮点：

Physics-inspired geometric deep learning
Equivariance 提升泛化
减少 training data 需求

局限：

应用场景窄（particle physics）
与 general geometric GNN 的关联有限

Mind Map

mindmap
  root((Lorentz GNN))
    Problem
      Particle physics symmetry
      Lorentz invariance
    Method
      Lorentz equivariance
      Message passing design
    Results
      Jet classification
      Improved generalization

Notes

[基于 WebSearch 结果创建]

Physics-inspired equivariant neural network。虽然应用场景窄，但 equivariance 设计思路可借鉴。与 hyperbolic manifold 的关联在于 Lorentz model 是 hyperbolic geometry 的一种表示。

DeepRead

Explorer