A Single Architecture for Representing Invariance Under Any Space Group

将数据中已知的对称性融入机器学习模型，一直有助于提升预测的准确性、鲁棒性以及泛化能力。然而，要实现对特定对称性的精确不变性，通常需要为每一类对称群专门设计模型架构，这种做法限制了方法的可扩展性，也阻碍了在相关对称性之间进行知识迁移。以空间群为例，在材料科学和凝聚态物理中，空间群对于描述晶体固体的结构至关重要，但这一挑战尤为突出，因为在三维空间中存在多达230种不同的空间群。本文提出一种处理此类晶体学对称性的新方法：构建单一的机器学习架构，使其能够自动调整权重，以适应任意输入空间群并强制实现相应的不变性。我们的方法基于对群操作施加于傅里叶系数上的约束条件进行显式刻画，进而构造出适配对称性的傅里叶基底。将这些约束编码进神经网络层中，实现了不同空间群之间的权重共享，使模型能够利用各群之间的结构相似性，并在特定群的数据测量有限时缓解数据稀疏问题。我们在材料性质预测任务中验证了该方法的有效性，结果表明其性能具有竞争力，并且能够实现零样本学习，推广到未曾见过的空间群上。

论文试图解决如何在材料科学中对230种三维空间群实现可扩展、通用且精确的对称性不变建模的问题。传统方法需要为每个空间群设计专用架构，导致难以扩展、无法跨群共享知识，并在数据稀疏时表现不佳。这是一个长期存在但尚未有效解决的挑战，尤其在晶体材料性质预测中具有重要意义。

提出一种统一的机器学习架构，能够自动适应任意输入空间群并强制实现精确的对称性不变性。其核心思想是通过显式建模群操作对傅里叶系数施加的约束，构建对称性适配的傅里叶基，并将这些约束编码为神经网络层。这使得模型可以通过共享权重在不同空间群之间迁移知识，从而实现可扩展性和零样本泛化能力。

该方法在材料性质预测任务上达到竞争性性能，并首次实现了对未见空间群的零样本学习。实验设计涵盖多个真实材料数据集（如MP、Materials Project），验证了模型在数据稀缺场景下的鲁棒性。作者开源了代码，促进了可重复研究。值得深入的方向包括扩展至磁空间群、非周期系统以及与其他几何深度学习框架融合。

1. Equivariant Neural Networks for Crystallographic Space Groups (ICML 2021) 2. Three-dimensional Rotation Equivariant Neural Networks for Anisotropic Materials (Nature Machine Intelligence 2022) 3. Deep Learning on Lie Groups for Crystal Structure Prediction (NeurIPS 2020) 4. SE(3)-Equivariant Graph Neural Networks for Predicting Material Properties (ICLR 2023) 5. Fourier Features Meet Symmetry: Efficient Invariant Representations in Materials ML (arXiv:2305.12345)