NEMORA：面向长程原子尺度学习的神经等变多极算子

基于摘要分析。该研究面向机器学习原子间势中长程相互作用难以高效建模的问题，提出 Neural Equivariant Multipole Operators（NEMORA），将 Fast Multipole Method（FMM）的多极展开与平移算子推广为可学习的等变算子，用于构建长程张量表征。 原问题是：有限空间截断限制了局部等变图神经网络的信息传播范围，而增加消息传递层数可能带来过平滑与过压缩。摘要将现有长程扩展的限制归纳为固定解析传播核、仅允许标量或保持角阶的通道通信、近似等变性，以及超线性计算成本。NEMORA 在自适应空间层级上学习等变传输，耦合不同角阶并形成跨尺度多体相互作用；同时保留 FMM 的层级组织与解析径向因子作为物理归纳偏置，学习依赖数据的长程耦合。它可增强具有或不具有对称性约束的短程骨干网络。 作者报告，该方法具有线性时间与内存复杂度，可处理达到数十万原子的系统。在摘要所述非局部基准上，相对短程骨干网络，力误差降低超过一个数量级，能量误差最多降低三个数量级；与已有长程扩展相比，精度更优或具有竞争力。这些结果仅适用于原文所述原子尺度任务，具体基准名称、数据划分、误差指标、对照配置与运行条件尚未验证。 复现时需核对等变算子的具体参数化、角阶耦合方式、空间层级构建、训练目标，以及复杂度与精度评估的条件；实验协议、消融及统计信息尚未验证。摘要未提供 EEG/BCI 实验，不能据此推断神经信号建模效果，相关工作尚未检索确认。