Naukowcy opracowali Equivariant Sheaf Neural Network (ESNN), nową architekturę łączącą równozmienność geometryczną z efektywnym transportem informacji na grafach. Zamiast tradycyjnego podejścia zwiększającego rząd reprezentacji, system umieszcza dodatkową elastyczność geometryczną bezpośrednio w transportach na krawędziach grafu, ucząc się macierzowych transformacji między sąsiadującymi cechami wektorowymi.
Teoremotatyczne analizy pokazują, że gdy jedynym wejściem kowariantnym jest względne przemieszczenie, każda liniowa mapa równozmiennicza O(n) rozkłada się na niezależne komponenty radialne i styczne. Autorzy wprowadzili również kontrolowaną relaksację symetrii dla systemów z preferowanym kierunkiem, który może być zarówno predefiniowany, jak i wyuczony z danych. Ta elastyczność pozwala systemowi odzyskać pełną równozmienność E(n) gdy mechanizm kierunkowy jest nieaktywny.
Experymentalne wyniki potwierdzają praktyczną wartość podejścia. ESNN wykazuje znaczące poprawy w przewidywaniu dynamiki cząstek, odzyskuje kierunek grawitacji w systemach z przełamaną symetrią, przynosi istotne zyski w wybranych zadaniach na siatce oraz długoterminowych symulacjach. Architektura pozostaje odporna na wiele testów na zbiorach danych obejmujących klasyfikację chmur punktów i przewidywanie właściwości molekularnych.