FreeCG：释放机器学习力场中 Clebsch–Gordan transform 的设计空间

基于摘要分析。FreeCG 面向化学、物理与材料科学中的机器学习力场（MLFFs），研究如何减少 Clebsch–Gordan transform（CG transform）受置换等变性约束带来的计算与设计限制。其核心贡献是利用 invariance transitivity（不变性传递性），将 CG transform 层置于置换不变的抽象边上，使局部算子设计更灵活，同时保持模型整体的置换等变性。 机制上，摘要指出，常规设计需对每条邻接边以相同方式执行密集 CG transform，以编码多体相互作用。FreeCG 在抽象边提供的设计空间中，进一步组合带稀疏路径的 group CG transform、abstract edges shuffling 与 attention enhancer，旨在兼顾表达能力和计算效率。抽象边的具体构造、数学命题的适用条件及各模块实现尚未验证。 作者报告，在 MD17、rMD17、MD22 的力预测任务上取得 SOTA 结果，并将方法扩展到 QM9 的性质预测；摘要还称若干改进超过 15%、最大超过 20%，但未给出对应任务、指标、对照基线及划分，不能据此进行定量比较。作者另报告该范式可增强 QuinNet，并展示实际应用；应用条件与提升幅度尚未验证。 摘要提供了代码仓库，但代码完整性、运行环境与复现成本尚未核验。实验协议、消融及统计信息尚未验证，尤其需核对效率测量条件，以及保持等变性的理论条件与实际实现是否一致。本研究的直接对象是分子几何建模，并非 EEG 或 BCI；现有材料未建立具体迁移对应关系，因此不据此推断神经信号解码收益。