Atom-JEPA：面向三维原子体系的联合嵌入预测架构

基于摘要分析。Atom-JEPA 针对原子体系自监督预训练尚未获得与语言、视觉领域相当的下游泛化能力这一问题，提出从无标签三维结构学习潜在表征的预训练框架。其核心贡献是结合受 Joint-Embedding Predictive Architecture 启发的原子级与子结构级互补目标，并通过下游性质预测评估迁移能力。 机制与评估：作者在大规模分子和晶体数据集上预训练，再针对多种下游性质预测任务微调。摘要明确了两种粒度的学习目标，但未给出潜在目标的构造方式、损失形式、编码器结构或训练细节，不能据此认定其采用特定掩码、教师更新或几何不变性设计。具体数据集、规模、划分及对照基线尚未验证。 结果与复现：作者报告，在分子 ADMET 与量子化学性质预测任务上达到最先进性能，在晶体材料物理性质预测上具有较强竞争力；摘要未提供具体指标或数值，尚不能量化收益或比较不同协议。作者表示代码与预训练模型检查点已公开，但运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设多粒度潜在预测能够减少对标签的依赖，其概念可能对应 EEG 标注稀缺及局部通道信息与整体时空结构协同建模的需求。可借鉴的是不同粒度的表征预测目标；三维原子输入编码、结构划分和下游任务头则需改造为 EEG 时空输入。原方法依赖三维分子或晶体结构及大规模无标签数据，不能直接等同于低信噪比、跨被试和通道配置变化下的 EEG。已有相关 EEG 工作尚未检索确认。一个可检验的小实验是在固定骨干、预训练数据和微调划分下，对比随机初始化、单粒度与双粒度潜在预测，采用隔离被试的 Cross-subject 评估检验收益；该方案仅为迁移假设，并非论文已验证结果。