ReGNet：面向晶体的倒易空间感知长程建模与多属性预测

ReGNet 研究如何从晶体结构预测材料属性，核心贡献是将几何 GNN 与倒易空间模块结合，分别建模短程和长程相互作用，并探索用于多属性预测的 mixture-of-experts 扩展。基于摘要分析，未取得论文全文。 晶体具有无限周期性原子排列，研究需同时表达局部几何关系与跨周期结构的长程信息。作者提出在 Fourier 变换中使用可学习滤波器，通过倒易空间高效编码长程相互作用；几何 GNN 负责短程建模，reciprocal blocks 负责长程建模。摘要未提供具体滤波形式、模块连接方式、损失函数或训练配置，相关实现尚未验证。 作者报告，在 JARVIS、Materials Project 和 MatBench 的晶体属性预测任务上，ReGNet 达到最先进的预测精度；同时报告 mixture-of-experts 多属性预测扩展具有良好结果和较高计算效率。摘要未给出具体任务、指标数值、数据划分、对照模型或计算成本测量条件，因此这些结论暂不能量化比较。实验协议、消融及统计信息尚未验证。材料仅说明代码将在论文被接收后发布，不据此推断已接收或代码已公开。 平台推测（待验证）：可学习 Fourier 滤波与局部—全局建模分工，可能为 EEG 的长时间依赖建模提供方法参考，但晶体的周期性空间几何并不等同于 EEG 的时间频谱和电极空间关系。假设迁移时，可探索复用滤波机制，需重构几何图与 reciprocal blocks 的输入表示，并核对其对周期结构及监督数据规模的依赖。低信噪比、跨被试频谱变化、通道布局差异和小数据训练均可能使该机制失效。一个可检验的小实验是在固定 EEG 数据划分与相近模型容量下，对比局部基线和加入 Fourier 可学习滤波的版本，核对跨被试表现及噪声敏感性；这只是迁移假设，不是原论文结果。已有 EEG 相关工作尚未检索确认。