【几何深度学习（Geometric Deep Learning）】几何深度学习与群论：从对称性到可解释的图网络关键词

几何深度学习与群论：从对称性到可解释的图网络

关键词：几何深度学习、群论、对称性、不可变性 / 共变性、GCN、GAT、GraphSAGE、物理约束、AI‑科学计算交叉

---

1. 引言

随着大数据与高性能算力的爆发，图神经网络（GNN） 已成为处理非欧几里得结构（社交网络、生化分子、晶体结构等）的核心工具。
在过去十年里，研究者将 群论 视为构建可解释、高效且稳健 GNN 的“根本原则”。从对称性理论出发，将物理世界的约束嵌入模型，不仅提升了预测性能，也使网络更贴近真实系统，为 AI 与科学计算（如量子化学、材料设计）提供了新的交叉平台。

本文将从理论层面深入剖析：

1. 群论在几何深度学习中的角色
2. 对称性、不可变性与共变性的定义与意义
3. 核心 GNN 算法（GCN、GAT、GraphSAGE）如何实现这些原则
4. 物理对称性嵌入的实践价值

---

2. 群论基础回顾

概念	定义	在图网络中的体现
群（Group）	一组元素与闭合二元运算，满足结合律、单位元和逆元	图的对称变换，例如旋转、翻