用于旋转鲁棒神经动力学的精确 SO(3) 等变各向同性核

基于摘要分析。该研究针对向量值偏微分方程的神经代理模型在坐标系旋转后预测不一致的问题，以不规则采样点上的三维 Navier–Stokes 动力学为研究对象，提出 Invariant-Conditioned Isotropic Kernel Neural Operator（IKNO），在保持预测精度的同时通过结构设计保证 SO(3) 等变性；这里的“神经动力学”指神经模型对物理动力学的建模，并非生物神经活动研究。 核心机制是用旋转下不变的标量与随数据旋转的向量方向构造局部图交互。因此，同时旋转位置和速度时，模型预测的速度变化也按相同方式旋转。其创新重点是面向特定 PDE 的紧凑各向同性核设计，而不是仅依赖随机旋转训练样本来学习坐标一致性。摘要未提供核的具体公式、标量条件的构成、损失或训练细节。 作者报告：在模型设计完成后固定的留出测试集上，随机旋转数据增强能降低无约束图模型的坐标依赖，但不能将其消除；IKNO 的等变一致性达到数值精度水平。作者还报告，与通用旋转感知 Tensor Field Network 相比，IKNO 在参数数量少 5.6 倍的情况下达到相当的预测精度，并优于参数量匹配的图模拟器。具体误差指标、预测时域、数据生成与划分、参数计数口径、消融及统计信息尚未验证。 平台推测（待验证）：其结构约束可能适用于具有三维空间位置及真实向量状态的神经场建模，但 EEG 通道电位通常是标量，头部几何和源方向也不能直接等同于流体速度场，因此不能把 Navier–Stokes 上的旋转等变收益直接解释为跨被试或跨设备鲁棒性。若探索迁移，需要重新定义信号的旋转作用、边界条件与输入输出表示；当前材料不足以支持具体 BCI 复现实验方案，相关 EEG 工作尚未检索确认。