CrysMMNet：用于晶体属性预测的多模态表示

基于摘要分析。本文研究晶体属性预测，提出 CrysMMNet，将晶体图的结构表示与材料文本描述的表示融合，以补充局部原子邻域建模难以充分表达的全局周期结构信息。 作者指出，既有方法通常依据三维空间中相邻原子之间的关系构建多重图，再通过 GNN 学习材料表示。这类表示能够编码局部化学环境，但对空间群编号、晶体对称性及旋转信息等全局结构特征的表达仍有不足。CrysMMNet 为晶体材料数据库整理逐材料的文本描述，并将文本表示与结构表示融合为联合多模态表示。摘要未说明文本生成来源、文本编码器、具体融合方式、训练目标及推理时所需输入，这些实现条件尚未验证。 作者报告，在两个基准数据集、十种晶体属性的实验中，CrysMMNet 优于所比较的现有基线；将文本表示与晶体图结合，也使所测试的 GNN 相比各自原始版本获得一致改进。摘要未提供数据集名称、数据划分、评价指标或具体数值，因此无法量化收益或比较不同设置。作者称已向社区共享两个基准材料数据库对应的文本数据，但其获取条件、描述内容及复现流程仍需核对；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是晶体材料，而非神经信号。其机制依赖能够表达材料全局结构、并与单个晶体对应的文本描述；现有材料未给出与 EEG 瓶颈的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。