用于表征任意空间群下不变性的单一架构

基于摘要分析。本文研究晶体材料建模中的空间群不变性：针对不同对称群往往需要定制架构的问题，提出一种可根据输入空间群自动调整权重、施加不变性约束的统一机器学习架构。主要研究对象是材料科学与凝聚态物理中的晶体固体，而非 EEG 或 BCI。 核心机制是显式刻画空间群操作对 Fourier 系数施加的约束，并据此构造对称性适配的 Fourier 基。作者将这些约束编码进神经网络层，使不同空间群之间能够共享权重，利用群之间的结构相似性。其目标包括应对特定空间群测量数据稀少的问题，以及减少为每个群单独设计架构的需求；摘要以三维空间中的 230 个空间群说明这一建模挑战。 作者报告，该方法在材料性质预测任务上取得具有竞争力的表现，并能通过零样本学习泛化至未见空间群。但摘要未给出具体数据集、预测性质、指标数值、对照方法或未见群的划分方式，因此不能据此判断性能优势幅度或不同泛化协议下的有效性。网络结构、权重适配过程、训练目标、不变性的实现条件，以及实验协议、消融及统计信息尚未验证。 该方法依赖晶体空间群及其对 Fourier 系数的明确作用关系。现有材料未建立这些对称性与 EEG 信号、通道布局或跨被试变化之间的具体对应，不能将材料性质预测结果解释为 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认，本次不提出未经机制支持的迁移实验建议。