Kostenlose Gruppendurchschnittung steigert Genauigkeit physikalischer ML-Modelle
Viele maschinelle Lernaufgaben in den Naturwissenschaften sind exakt symmetrie‑equivariant. Trotzdem werden equivariant‑Methoden selten eingesetzt, weil Training als schwierig gilt oder die Symmetrie als lernbar angesehen wird. Die Gruppendurchschnittung bietet hier eine einfache Lösung: Sie wird ausschließlich im Testzeitpunkt angewendet, macht jedes bereits trainierte Modell exakt symmetrie‑equivariant und kostet nur einen kleinen Aufwand, der proportional zur Gruppengröße ist. Dabei sind weder spezielle Modellstrukturen noch zusätzliche Trainingsschritte nötig.
