深度学习是机器学习的一个子集，可以自动从输入中学习复杂的表示。它的应用广泛应用于图像和语音识别、自然语言处理、物体检测和医学影像诊断等众多领域；金融领域的算法交易和欺诈检测；使用卷积神经网络进行实时决策的自动驾驶车辆；以及个性化内容的推荐系统。
卷积神经网络（CNN）和视觉变换器（ViT）是计算机视觉领域的深度学习模型的两个例子，可以通过假设平面（平坦）区域来分析信号。例如，数字照片被呈现为平面表面上的像素网格。然而，这种数据类型仅代表科学应用中遇到的各种数据的一小部分。
然而，使用平面方法处理球面信号可以改善一些问题。首先，存在采样问题，即无法在球面上定义均匀的网格，这对于平面CNN和ViT是必要的，而且可能造成严重的扭曲。其次，球面上的旋转经常会混淆信号和局部模式。为了确保模型准确学习特征，我们需要对3D旋转具有等变性。因此，模型参数的使用更加有效，可以使用更少的数据进行训练。
从直观上讲，球面CNN应该对分子属性预测和气候预测问题有益处。分子的内在属性对3D结构（原子位置）的旋转不变，因此旋转等变表示将为编码这种对称性提供一种自然的方式。
因此，研究人员基于JAX开发了一个面向球面的深度学习开源库。它在分子属性预测和天气预测的基准测试中优于现有技术结果，这些测试通常由变压器和图神经网络处理。
研究人员指出，这些模型能够解决采样和旋转稳健性的问题。这是通过利用球面卷积和互相关运算来实现的。球面CNN在医学研究和气候分析这两个关键领域中具有潜在的应用前景，有望推动社会的变革性进展。
球面CNN在应对预测化学性质和理解气候状态等挑战方面具有理论上的优势。利用旋转等变表示特别适用于捕捉分子结构的固有对称性，其中属性对于3D旋转（原子位置）是不变的。
由于大气数据自然地以球面显示，球面CNN非常适合这个任务。它们还可以有效地管理该类数据中的重复模式的各个位置和方向。
研究人员表示，他们的模型在一些天气预测基准测试上超过或与基于传统CNN的神经天气模型相匹配。该模型可以提前六小时预测多个大气变量的数值，并在测试环境中展示了相关结果。随后，模型在训练期间可进一步评估高达五天的预测并进行三天的预测。
此外，该模型在各种天气预测场景中表现出色，证明了球面CNN作为神经天气模型的有效性，这是一项突破性的成就。该研究概述了扩展球面CNN的最佳策略，并提供了实际数据来支持其在特定应用中的适用性。