POLYATOMIC COMPLEXES：面向原子体系的拓扑信息引导学习表征

基于摘要分析。本文研究如何为化学结构构建稳健的物理信息表征，使模型能够学习拓扑归纳偏置，主要贡献是提出一种原子体系表征及其通用编码算法，研究对象并非 EEG 或 BCI。 在理论与方法方面，作者称证明了该表征满足结构、几何、效率和通用性方面的全部约束，并提供了编码任意原子体系的通用算法。不过，摘要未说明这些约束的具体定义、证明适用条件、拓扑对象的构造方式，以及表征如何接入下游学习模型；因此，不能据此推断其网络结构、损失函数、训练流程或计算复杂度。 在实验方面，作者报告该表征在多项任务上取得了与当前最先进方法相当的性能，但摘要未列出任务、数据集、划分、对照方法或指标，无法判断各项比较的适用范围。实验协议、消融及统计信息尚未验证。作者表示已开源全部代码和数据，匿名代码与数据位于补充材料中；本次未取得全文或补充材料，尚未核验复现条件。 该工作的直接价值在于原子体系表征，而非已验证的神经信号建模方法。摘要尚未提供从化学结构拓扑到 EEG 时空结构的具体机制对应，因此不提出 BCI 迁移或复现实验建议；相关 EEG 工作尚未检索确认。