GeoMFormer：用于几何分子表示学习的通用架构

基于摘要分析。该研究面向分子性质计算与分子行为模拟中的几何表示学习，提出基于 Transformer 的 GeoMFormer，以统一学习满足坐标旋转和平移约束的不变与等变表示；主要研究对象是分子系统，而非 EEG 或 BCI。 核心机制是在标准 Transformer 模块基础上设置两条独立信息流，分别维护和学习不变表示与等变表示，并通过专门设计的 cross-attention 在两者之间融合信息、增强几何建模。作者认为，现有部分方法依赖启发式且成本较高的模块，并主张多种既有架构可以视为 GeoMFormer 的特例。摘要未给出具体注意力构造、几何约束实现、损失函数及计算开销，相关统一性与效率主张仍需核对正文。 作者报告，GeoMFormer 在不同类型与规模的不变及等变任务上均取得较强表现，但摘要未列明数据集、划分、对照方法、指标或数值，因此不能据此确认优势幅度或跨任务可比性。实验协议、消融及统计信息尚未验证。作者表示代码和模型将公开，当前材料不足以确认其已发布。 平台推测（待验证）：若 EEG 研究需要联合表示电极空间几何与方向性特征，双流及交叉注意力机制可作为候选设计；但这一假设依赖可靠的电极坐标、明确的变换规则和合适的任务监督。可复用的是不变／等变信息交互思路，需要改造的是分子输入表征与几何约束：头部坐标系旋转、电极位置变化和脑源方向变化并不等价，不能直接套用分子对称性。低信噪比、跨被试解剖差异、通道缺失及小数据训练均可能削弱收益。一个可检验的小实验是在固定跨被试划分与训练预算下，比较匹配参数量的几何基线和双流模型，并测试坐标系旋转及通道缺失时的预测稳定性与任务指标。相关 EEG 工作尚未检索确认。