结合晶体学先验的物理规则路由 MoE：面向长尾空间群识别

基于摘要分析。该研究针对粉末 X 射线衍射（PXRD）图谱的 230 类空间群识别问题，提出 Phys-MoE，将晶体学先验引入混合专家模型的路由与表征学习，以应对严重类别不平衡及衍射图谱间的高度相似性。研究对象是晶体结构识别，而非神经信号解码。 方法包含三个部分：层级路由器依据预测晶系，屏蔽与之不一致的空间群；规则偏置门控鼓励专家围绕不同对称性分块形成专门化；规则语义对比目标以对称操作集合之间的 Jaccard 相似度构造学习约束。其核心思路是让类别之间已知的物理结构参与分类决策与表征组织，而不只依赖类别标签。 作者报告在 CCDC、CoREMOF 及一个无机材料分布偏移基准上开展实验。在 CCDC 评估中，作者报告总体 Top-1 Accuracy 为 81.70%，训练样本少于 20 个的空间群类别 Accuracy 为 26.19%。摘要未提供具体数据划分、对照方法及稀有类别指标的聚合方式，因此这些结果尚不能用于跨协议比较；作者关于达到该任务新最佳水平的主张仍需结合全文基线核对。 作者报告消融支持三个晶体学组件协同改善识别，错误分析与 oracle 分析则指出，晶系预测仍是稀有类别识别的瓶颈。这也提示需要核对层级屏蔽在上游预测错误时对最终识别的影响。具体模型配置、损失形式、实验协议、消融细节及统计信息尚未验证，代码与复现条件也尚未确认。材料没有建立晶体对称规则与 EEG/BCI 之间的具体对应关系，因此不据此提出迁移效果或复现实验建议。