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 Transformer 架构 GeoMFormer，在旋转、平移相关的物理约束下联合学习不变与等变特征。其主要贡献是用两个独立表示流及跨流 cross-attention 构建统一框架，而非针对不同几何任务分别设计专用模块。 机制上，不变表示用于刻画不随坐标变换而改变的特征，等变表示则需随坐标变换按相应规则变化。GeoMFormer 使用标准 Transformer 模块分别维护两类表示，并通过专门设计的 cross-attention 融合信息。作者认为，许多既有分子表示架构可以视为该框架的特殊实例；这一统一关系的具体构造、成立条件，以及 cross-attention 如何保持几何约束，仍需正文核对。 作者报告，在不同类型与规模的不变、等变任务上，GeoMFormer 均取得较强表现。但摘要未提供数据集、数据划分、任务指标、对照基线或具体数值，不能据此判断提升幅度、计算成本或跨任务泛化能力；实验协议、消融及统计信息尚未验证。摘要表示代码与模型将公开，当前可用性及复现所需环境尚未验证。 该工作的主要研究对象是分子系统，而非 EEG 或 BCI。平台推测（待验证）：若神经信号任务明确使用电极空间坐标，且能够合理定义坐标变换下的不变或等变目标，其双流交互机制可能提供架构参考；但分子空间对称性不能直接等同于 EEG 的通道变化或跨被试差异。摘要不足以确定可迁移模块与监督条件，尚未检索确认已有 EEG 相关工作。