超越原子：通过三维空间建模增强分子预训练表征

基于摘要分析。本文研究药物发现、材料设计等低监督数据场景中的分子预训练表征（MPR），提出 SpaceFormer，将建模对象从离散原子扩展到分子所覆盖的三维空间，以利用原子位置之外的空间信息。 作者指出，已有三维 MPR 方法虽引入分子构象，却主要将分子视为离散原子集合。作者报告，在原子之外加入随机采样的虚拟点即可改善表征性能；据此进一步提出基于 Transformer 的 SpaceFormer，包含基于网格的空间离散化、网格采样与合并、高效三维位置编码三个核心组件。其主要研究对象是分子空间表征，而非 EEG 信号或状态空间模型；具体预训练目标、虚拟点特征定义及网格处理细节尚未验证。 作者报告，SpaceFormer 在多个有限数据的下游任务上显著优于此前的三维 MPR 模型。摘要未提供任务和数据集名称、数据划分、对照模型、指标、数值或统计检验，因此尚不能判断改进幅度及适用边界。需结合全文核对随机虚拟点与结构化网格的对照、空间采样和合并策略的消融，以及空间覆盖范围对计算开销和结果的影响；实验协议、消融及统计信息尚未验证。 该方法依赖分子三维构象及其周围空间这一数据结构。现有材料未建立其与 EEG/BCI 瓶颈的具体机制对应，不能将分子任务收益视为神经信号建模的有效性证据；相关 EEG 工作尚未检索确认。