Site-Net：利用全局自注意力和真实空间超胞捕捉晶体结构中的长程相互作用

基于摘要分析。该研究针对无机材料周期晶体结构中的长程相互作用建模，提出 Transformer 架构 Site-Net，将晶体表示为带标签的原子点集，通过全局自注意力与几何信息学习原子位点之间对预测任务的重要性。其主要研究对象是晶体材料及带隙回归，并非 EEG 或 BCI。 机制上，Site-Net 从标准晶体学信息文件生成较大的真实空间超胞，再学习所有原子位点之间的相互作用权重。作者报告，对注意力机制的探查表明，模型能够学习晶体中的长程相互作用，且特定注意力头会分别偏向处理短程或长程相互作用；这属于作者对内部机制的分析，不能直接视为对物理因果关系的证明。 作者报告，在初步超参数搜索并使用单个 GPU 训练的条件下，Site-Net 在一项标准带隙回归任务中达到当时最先进水平。摘要未提供数据集名称、划分方式、评价指标、具体数值及对照基线，因此无法核对这一性能主张的适用范围。实验协议、消融及统计信息尚未验证；单 GPU 训练也不足以确定复现所需显存、时长与计算成本。 平台推测（待验证）：可迁移的假设是，几何信息引导的全局注意力可能用于学习 EEG 通道之间的远距离依赖；但周期性原子点集与非周期、含时序且低信噪比的 EEG 存在明显差异。可考虑复用点集表示和全局注意力思路，但需重新设计时序编码、通道位置表示与监督目标，不宜直接套用超胞扩展。小数据、跨被试差异及通道布局变化可能使模型学习到不稳定的相关性。一个可证伪的小实验是在相同数据划分与训练预算下，对比局部注意力、全局注意力及加入电极几何信息的全局注意力，并检验跨被试表现与通道扰动稳定性。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。