GeoMFormer：用于几何分子表征学习的通用架构

基于摘要分析。本文研究分子建模中的几何表征学习，提出 Transformer 架构 GeoMFormer，在同一框架中学习对坐标旋转和平移满足不变性与等变性约束的分子表征，服务于分子性质计算与行为模拟，而非直接研究 EEG 或 BCI。 核心机制是使用标准 Transformer 模块构建两条独立的信息流，分别维护和学习不变表征与等变表征，再通过专门设计的交叉注意力融合信息、增强各流的几何建模能力。作者认为，既有方法往往依赖启发式且计算成本较高的模块，并提出多种既有架构可视为 GeoMFormer 的特例；这些归纳关系及其成立条件仍需正文核对。 作者报告，GeoMFormer 在不同类型与规模的不变及等变任务上均取得较强表现。但摘要未提供数据集、数据划分、评价指标、对照模型或具体数值，因此无法量化收益，也不能据此确认其效率优势。实验协议、消融及统计信息尚未验证。作者表示将公开代码和模型，材料未确认其实际发布状态。 平台推测（待验证）：可迁移的机制假设是，将电极空间几何与 EEG 信号表征结合，分别处理需要保持不变与随坐标变换而变化的信息，并以交叉注意力交互。原方法依赖分子三维坐标及明确的几何变换规律；EEG 中的通道坐标、参考方式和脑区功能并不天然满足相同约束，因此需重新定义输入、变换规则与监督目标，而不能直接套用分子模型。低信噪比、通道缺失、跨被试解剖差异及小样本可能削弱收益。一个可证伪的小实验是在固定跨被试划分下，对比几何双流、参数量匹配的普通 Transformer 及移除交叉注意力的版本，并检查坐标系旋转前后的预测一致性。已有 EEG 相关工作尚未检索确认。