ReciNet：用于晶体性质预测的倒易空间感知长程建模

基于摘要分析。本文研究从晶体结构预测材料性质的问题，针对无限周期原子排列中的局部与长程相互作用，提出将几何 GNN 与倒易空间模块结合的 ReciNet。其核心贡献是利用晶体的周期结构，在倒易空间中构造可学习的 Fourier 级数表示，以补充局部几何建模。 机制方面，作者使用分数坐标、倒易晶格矢量及可学习滤波器构建 Fourier 表示，再通过几何 GNN 与倒易空间模块分别建模短程和长程相互作用。该设计依赖晶体明确的空间周期性与晶格几何信息，并非仅凭通用序列建模处理长距离依赖；摘要未提供模块交互方式、损失函数或训练细节。 作者报告，在 JARVIS、Materials Project 和 MatBench 的晶体性质预测任务上，ReciNet 达到最先进的预测准确性，但摘要未列出具体任务、数据划分、评价指标、数值及对照基线，因此尚不能核对其优势范围。作者还探索了采用 mixture-of-experts 的多性质预测扩展，并报告较高计算效率及相关性质之间的正迁移；具体效率口径、性质组合和迁移评估协议尚未验证。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是周期晶体，而非神经信号。EEG 的时间振荡或通道空间关系并不等同于晶体的无限周期晶格，材料未提供可直接对应的 BCI 机制或验证证据，因此不据此提出 EEG 迁移方案；相关 EEG 工作尚未检索确认。复现时需从全文核对倒易空间表示、滤波器参数化、周期结构处理及各基准的训练与评估设置。