FreeCG：拓展机器学习力场中 Clebsch-Gordan 变换的设计空间

基于摘要分析。FreeCG 研究机器学习力场（MLFFs）中 Clebsch-Gordan（CG）变换的表达能力与计算开销问题，提出将变换施加于由真实边信息生成的置换不变抽象边，在保持关键对称性的同时扩大变换层的设计空间。其主要研究对象是分子力与性质预测，并非 EEG 或 BCI。 核心机制：CG 变换用于编码多体相互作用。摘要指出，MLFFs 的置换等变性要求通常使模型必须对每条邻接边采用相同方式执行计算密集的 CG 变换，从而限制表达能力并增加开销。FreeCG 将真实边信息转换为置换不变的抽象边，再在这些抽象边上实施 CG 变换；作者据此主张可在不破坏关键对称性的前提下自由设计变换层。进一步提出具有稀疏路径的分组 CG 变换、抽象边重排和 attention enhancer，构成更高效且更具表达能力的变换层。抽象边的具体构造、各模块实现及对称性论证尚需全文核对。 作者报告，FreeCG 在 MD17、rMD17、MD22 的力预测任务中达到 SOTA，并扩展到 QM9 的性质预测任务；作者还报告其设计范式可用于增强 QuinNet。摘要提及较大的相对改进及实际应用，但未明确各项改进对应的指标、任务、对照与计算预算，因此不能据此比较不同数据集的效果或量化效率收益。训练与测试划分、损失函数、消融、统计信息及实际应用设置尚未验证。 复现需核对对称性保持条件、抽象边生成方式、稀疏路径配置及精度与计算成本的对照。摘要仅表示代码将公开，不能视为已有可用实现。材料没有建立分子几何机制与 EEG 瓶颈之间的具体对应关系，因此不据此生成 BCI 迁移方案；已有 EEG 相关工作尚未检索确认。