Resumo Técnico: Tensores de Álgébras de Grupos para Aprendizado Equivariante Provavelmente Ótimo

Declaração do Problema

Dados científicos, como configurações moleculares e estados quânticos, são inerentemente multidimensionais e regidos por simetrias físicas (por exemplo, rotação, permutação). Abordagens tradicionais de aprendizado de máquina geralmente vetorizam esses dados tensoriais, colapsando sua estrutura geométrica natural em vetores de características planos. Esse processo destrói a informação estrutural que confere significado aos dados, forçando modelos subsequentes a recuperar implicitamente essa estrutura a um alto custo computacional.

Embora as Redes Neurais Equivariantes (ENNs) tenham incorporado com sucesso a simetria através da engenharia de restrições arquitetônicas específicas (por exemplo, camadas equivariantes à rotação), elas enfrentam limitações significativas:

1. Complexidade Combinatória: Quando múltiplas simetrias coexistem, a arquitetura da rede deve ser redesenhada do zero para cada nova combinação.
2. Falta de Optimalidade: Métodos existentes de decomposição tensorial (Tucker, CP, Tensor-Train) usados para compressão ou aproximação carecem de garantias de optimalidade global ou são NP-difíceis de calcular.
3. Interpretabilidade: As ENNs operam como caixas pretas; elas não fornecem uma decomposição de forma fechada das previsões em canais de simetria específicos (representações irredutíveis).
4. Descoberta: As estruturas atuais não conseguem descobrir o grupo de simetria subjacente de um conjunto de dados apenas a partir dos dados; o grupo deve ser especificado manualmente.

Metodologia: A Álgebra Tensorial $\star_G$

Os autores propõem uma mudança de paradigma: em vez de restringir a arquitetura para se adequar à simetria, eles alteram a matemática para se adequar à geometria dos dados. Eles introduzem a álgebra tensorial $\star_G$, onde um grupo finito $G$ define a regra de multiplicação, tornando a equivariância uma propriedade algébrica intrínseca, e não uma restrição arquitetônica.

Componentes Principais

1. Definição Algébrica:

   • Para um grupo finito $G$ de ordem $n$, um tensor de convolução $T \in \mathbb{R}^{n \times n \times n}$ é definido com base na tabela de multiplicação do grupo ($T(a,b,c) = 1$ se $ab=c$, caso contrário 0).
   • O produto $\star_G$ de dois tensores é definido via convolução de grupo ao longo das dimensões do grupo. Esse produto generaliza a álgebra matricial clássica, incorporando o grupo de simetria diretamente na estrutura multiplicativa.
   • A álgebra suporta operações padrão de imitação matricial (inversos, transpostas, normas) que preservam inerentemente a equivariância.

2. Decomposição Espectral (Teorema de Peter-Weyl):

   • O tensor de convolução admite uma decomposição espectral $T(a,b,c) = \sum C(i,j,k) F_G(a,i) F_G(b,j) F_G^{-1}(c,k)$, onde $F_G$ é uma matriz de transformada de Fourier de Grupo generalizada construída a partir das representações unitárias irredutíveis (irreps) de $G$.
   • No domínio de Fourier, a convolução de grupo torna-se multiplicação de matrizes em blocos diagonais, permitindo computação eficiente: transformar para o domínio de Fourier $\to$ produtos de matrizes paralelos por irrep $\to$ transformada inversa.

3. $\star_G$-SVD e Optimalidade:

   • Todo tensor nesta álgebra admite uma Decomposição em Valores Singulares (SVD): $A = U \star_G S \star_G V^H$.
   • Teorema 2.1 (Eckart–Young para $\star_G$): A truncagem de posto-$k$ $A_k$ minimiza o erro da norma de Frobenius $\|A - B\|_F$ sobre todos os tensores $B$ de $\star_G$-posto no máximo $k$. Isso fornece a primeira aproximação tensorial que preserva simetria e é provadamente ótima.
   • Ao contrário de Tucker (quase-ótimo com fator $\sqrt{d}$), CP (NP-difícil) ou Tensor-Train (sem optimalidade global), o $\star_G$-SVD é exato e de tempo polinomial.

4. Composição de Simetrias:

   • Teorema 2.2 (Grupos Produto): Para um grupo produto $G = G_1 \times \dots \times G_d$, o tensor de convolução e a matriz de Fourier fatorizam-se como produtos de Kronecker ($T_G = T_{G_1} \otimes \dots \otimes T_{G_d}$). Isso permite que múltiplas simetrias sejam compostas sem redesenho arquitetônico, simplesmente atualizando a matriz de transformada de Fourier.

Contribuições Principais

1. Compressão Provavelmente Ótima: O artigo estabelece a primeira garantia de optimalidade de Eckart–Young para aproximação tensorial que preserva simetria, permitindo seleção de posto fundamentada com limites de erro de forma fechada.
2. Equivariância Verificada por Máquina: Os resultados algébricos centrais (associatividade, distributividade, optimalidade da SVD, composição de grupos produto) são formalizados em Lean 4 (600 linhas de código) com zero obrigações de prova não resolvidas, fornecendo um certificado de correção matemática.
3. Descoberta de Simetria Orientada por Dados: A estrutura permite a descoberta do grupo de simetria ótimo e sua estrutura de fatoração diretamente a partir dos dados, sem conhecimento prévio.
4. Interpretabilidade por Irrep: A decomposição algébrica permite uma divisão de forma fechada do poder preditivo por canais de representação irredutível, revelando o conteúdo de simetria de observáveis físicos.

Resultados Experimentais

1. Validação Sintética

Em dados sintéticos com simetria rotacional $Z_{12}$ exata:

• $\star_G$-SVD + Regressão Ridge alcançou previsão perfeita ($R^2 = 1.000$) e invariância exata (variância de rotação $\approx 10^{-31}$) usando apenas 101 parâmetros.
• Baselines neurais (MLP Padrão, MLP Aumentado, MLP Invariante) exigiram 5.000–14.000 parâmetros, alcançaram menor precisão e exibiram variância de rotação significativamente maior (até $10^{-5}$ para MLP Aumentado).

2. Predição de Propriedades Moleculares QM9

No benchmark QM9 (130.831 moléculas) prevendo o gap HOMO–LUMO:

• $\star_G$-SVD + Ridge alcançou $R^2 = 0.556$ com apenas 107 parâmetros, superando as baselines neurais no regime eficiente em parâmetros.
• MLPs Padrão e Invariantes colapsaram ($R^2 < 0$) em tamanhos de amostra pequenos (1.000 moléculas), enquanto o $\star_G$ manteve $R^2$ positiva desde apenas 100 moléculas.
• Análise Dentro de Isômeros: Ao controlar o tamanho molecular (um grande fator de confusão no QM9), a diferença de desempenho entre $\star_G$ e MLPs desapareceu, indicando que as vantagens de $R^2$ agrupadas de modelos maiores devem-se largamente à previsão de tamanho e não ao aprendizado superior de química.

3. Composição de Grupos Produto

Em uma tarefa com duas simetrias comutativas ($Z_6 \times Z_4$):

• O modelo de grupo produto alcançou previsão perfeita ($R^2 = 1.000$) com 186 parâmetros.
• Modelos de fator único ($Z_6$ ou $Z_4$ sozinhos) capturaram apenas $\le 23\%$ da variância.
• Uma aproximação cíclica ingênua ($Z_{24}$) alcançou $R^2 = 0.986$, falhando em resolver os modos de frequência acoplados que a estrutura de produto captura exclusivamente.

4. Descoberta de Simetria e Fatorização

• Descoberta de Grupo: A varredura de grupos candidatos nos dados do QM9 identificou $Z_4$ como o melhor ajuste, consistente com a simetria rotacional $C_4$ de muitas moléculas orgânicas, sem qualquer entrada cristalográfica.
• Descoberta de Fatorização: Para dados em um grupo de 24 elementos, o algoritmo identificou $Z_3 \times Z_8$ como a decomposição ótima ($R^2 = 1.000$), superando o cíclico $Z_{24}$ ($R^2 = 0.985$) e revelando estruturas de produto latentes.

5. Recuperação Empírica das Regras de Seleção de Wigner–Eckart

Decompondo a geometria molecular sobre o grupo octaédrico quiral ($O$):

• Propriedades escalares (por exemplo, gap HOMO-LUMO) foram dominadas pelo canal $A_1$ ($l=0$).
• Componentes vetoriais (momentos de dipolo) foram dominados pelo canal $T_1$ ($l=1$), com uma razão de poder preditivo $T_1/A_1$ de $\sim 2.8$ (vs. $\sim 0.5$ para escalares).
• Tensores de posto-2 (polarizabilidade isotrópica) mostraram dependência próxima de zero no canal $l=1$, consistente com a decomposição teórica $l=0 \oplus l=2$.
• Essas regras de seleção físicas foram recuperadas apenas a partir dos dados, sem qualquer entrada quântico-mecânica.

6. Comparação com Redes Neurais Equivariantes (ENNs)

• $R^2$ Agrupada: ENNs de última geração (MACE, SchNet) alcançam maior $R^2$ agrupada no QM9, mas exigem $\sim 10^6$ parâmetros e consomem grafos atômicos completos.
• Contrato de Entrada: O $\star_G$ opera em resumos de nível molecular. Quando comparado a MLPs usando a mesma entrada de nível molecular, o $\star_G$ é competitivo ou superior em ordens de magnitude de parâmetros menores.
• Cross-Selectividade: Em componentes de polarizabilidade, modelos $\star_G$ restritos a irreps únicas ($E$ ou $T_2$) alcançaram $\sim 96\%$ de cross-selectividade (prevendo um componente enquanto ignoram o outro), enquanto as ENNs trataram ambos os componentes simetricamente ($< 1\%$ de selectividade), demonstrando a capacidade única do $\star_G$ de desvendar estruturas de teoria de representação.

Significado e Alegações

O artigo afirma que a estrutura $\star_G$ oferece uma afordância matemática diferente, e não simplesmente uma alternativa "mais rápida, melhor e mais barata" às ENNs. Seu significado reside em:

1. Compressão que Preserva Simetria Provavelmente Ótima: Fornecendo a primeira garantia de optimalidade global para aproximação tensorial consciente de simetria.
2. Equivariância Verificada por Máquina: Garantindo correção matemática através de verificação formal.
3. Interpretabilidade por Irrep: Oferecendo uma decomposição de forma fechada das previsões que revela a estrutura de simetria subjacente de observáveis físicos.
4. Descoberta Física Orientada por Dados: Permitindo a recuperação de leis físicas (como as regras de seleção de Wigner–Eckart) e grupos de simetria diretamente a partir de dados empíricos.

Os autores concluem que, em configurações científicas com escassez de dados, a estrutura algébrica serve como um viés indutivo mais forte do que a expressividade arquitetônica, permitindo que a álgebra profunda supere abordagens de grandes dados.