ReciNet：用于晶体性质预测的倒易空间感知长程建模

基于摘要分析。该研究面向从晶体结构预测材料性质的问题，针对无限周期原子排列中的局部结构与长程相互作用，提出倒易空间几何网络 ReciNet，将几何 GNN 与倒易空间模块结合，分别建模短程和长程信息。其主要研究对象是晶体材料，而非 EEG 或 BCI。 核心机制是在适合描述周期晶体的倒易空间中，利用分数坐标、倒易晶格矢量和可学习滤波器构造 Fourier 级数表示，再与局部几何建模整合。相较于仅强调局部原子邻域的方法，研究的关键思路是显式利用晶体周期结构组织全局信息。摘要未提供具体滤波器形式、模块连接方式、损失函数或训练与推理配置，这些细节尚未验证。 作者报告，在 JARVIS、Materials Project 和 MatBench 的标准基准上，ReciNet 在多项晶体性质预测任务中达到最先进的预测精度；摘要未给出具体任务、数据划分、对照模型、指标或数值，因此目前无法核对优势幅度及不同评估协议下的表现。作者还探索了结合 mixture-of-experts 的多性质预测扩展，并报告较高计算效率以及相关性质之间的正迁移；效率测量条件、专家配置和迁移证据尚未验证。实验协议、消融及统计信息尚未验证。 复现时需从全文核对周期结构的表示与处理方式、Fourier 表示的构造、局部与长程模块的接口，以及各基准的划分和评估条件。该方法依赖晶体的空间周期性及晶格几何，不能将倒易空间模块直接等同于 EEG 的时间频谱建模；现有材料不足以建立具体的 BCI 迁移路径，不提出 EEG 复现实验建议。已有 EEG 相关工作尚未检索确认。