CLOUD：用于晶体表征学习的可扩展科学基础模型

基于摘要分析。该研究针对晶体性质预测依赖昂贵实验或 Density Functional Theory（DFT）标签、数据规模受限及对新晶体泛化困难的问题，提出基于 Transformer 的 CrystaL fOUnDation model（CLOUD）。其核心贡献是使用对称性感知字符串表示，在不依赖原子坐标或等变模型的条件下进行晶体表征学习，并通过自监督预训练支持下游性质预测。 机制与训练：作者认为，既有字符串表示难以充分保留关键晶体结构信息，因此引入对称性感知表示。CLOUD 在百万级晶体数据上预训练，再针对多种下游任务微调。摘要未披露字符串编码规则、具体预训练目标、模型配置及数据组成，尚不能据此判断对称性信息如何编码及其适用边界。 结果与证据：作者报告，CLOUD 在 MatBench 和 MatBench Discovery 上显著优于其他不使用坐标的模型，并在面向非常规晶体性质预测的 UnconvBench 上达到 SOTA 或接近 SOTA 的表现。作者还报告，预训练 CLOUD 随数据量与模型规模增大呈现稳健的扩展性。摘要未提供具体指标、数值、划分与对照模型，实验协议、消融及统计信息尚未验证；扩展性结论也需结合全文中的规模范围和评估条件核对。 研究边界：本文主要对象是材料科学中的晶体表示与性质预测，而非神经信号。摘要未建立晶体对称性感知字符串与 EEG 数据结构之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。