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，以分别学习不变特征与等变特征，并通过交叉注意力融合两类信息。原研究对象是受旋转、平移等几何约束的分子系统，不是 EEG 解码或 BCI。 机制上，GeoMFormer 使用标准 Transformer 模块构建两个独立信息流，分别维持和学习不变表征与等变表征，再以专门设计的交叉注意力连接两者，增强各自的几何建模能力。作者提出，许多既有架构可视为 GeoMFormer 的特例；这一概括的适用条件及具体推导仍需正文核对。摘要未披露输入编码、等变约束的实现、损失函数及训练细节。 作者报告，该架构在不同类型与规模的不变、等变任务上均取得较强表现，但摘要没有列出数据集、划分协议、对照基线或具体指标，因此不能据此量化改进幅度。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，当前材料不足以确认其已发布。 平台推测（待验证）：双流建模可作为几何感知 EEG 表征的候选思路，但迁移假设依赖明确的电极三维坐标，以及对哪些变化应保持不变、哪些量应等变的任务定义。可考虑复用双流交互机制，需改造分子输入编码与 EEG 时序表征；头皮电极布局的坐标变换并不自动等同于信号的真实对称性，低信噪比、跨被试解剖差异、通道缺失和小数据均可能削弱收益。一个小规模可证伪实验是在固定跨被试划分与训练预算下，对照普通 Transformer 与几何双流模型，分别检验一致坐标旋转和通道缺失时的性能及稳定性。该实验仅检验迁移假设，不代表原论文已验证 BCI 效果；已有 EEG 相关工作尚未检索确认。