标签：等变神经网络

材料/Materials

提出SO(3)等变神经卡尔曼网络（SENK），构建响应态级联解决振动光谱跨化学空间预测难题，适用于分子材料性质预测。

多体/Multibody

提出GINIO框架，实现IMU测量在任意安装姿态下的SO(3)等变性约束，提升惯性里程计在滤波管道中的测量一致性。

流体/CFD

提出SO(3)等变神经网络预测微颗粒在Stokes流动中的完整6×6阻力矩阵，超越传统标量阻力关联方法，同时保留取向依赖与旋转响应信息。

通用科学ML

提出三重可扩展的等变高斯过程方法，在编码对称性的同时保持概率预测与不确定性量化能力，适用于大规模科学计算问题。

分子动力学 / 机器学习势函数

基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原理精度。