超越原子：通过三维空间建模增强分子预训练表示

基于摘要分析。本文面向药物发现、材料设计等标注数据有限的应用，研究如何增强分子预训练表示（MPR）：不再仅建模离散原子及其三维构象，而是进一步表示分子所覆盖的三维空间，并提出基于 Transformer 的 SpaceFormer。 核心机制：作者认为，仅将分子视为离散原子集合会忽略周围空间中的信息。作者报告，在原子之外加入随机采样的虚拟点即可改善 MPR 表现；在此观察基础上，SpaceFormer 采用网格化空间离散、网格采样／合并和高效三维位置编码三个组件，以实现更系统的空间建模。摘要未说明网格分辨率、虚拟点或网格特征的构造、预训练目标及具体计算流程，这些细节尚未验证。 结果与证据边界：作者报告，SpaceFormer 在多个有限数据的下游任务上显著优于既有三维 MPR 模型，但摘要未列出数据集、划分协议、指标、提升幅度或统计检验。因此，目前只能确认作者提出了上述比较性结论，不能据此判断不同任务上的收益是否一致。实验协议、消融及统计信息尚未验证；全文核验时需重点区分随机虚拟点、结构化网格及模型容量或计算量变化各自的贡献。 研究对象是分子三维表示，而非 EEG 或 BCI。摘要未提供从分子空间建模到神经信号建模的具体机制对应，不能将其结果解释为 BCI 有效性的证据；相关 EEG 工作尚未检索确认。