球面等变图 Transformer 完全指南

Sophia Tang

球面等变图 Transformer 完全指南

机器学习 2025-12-17 v1 定量方法

作者: Sophia Tang

摘要

球面等变图神经网络（Spherical Equivariant Graph Neural Networks, EGNNs）为在三维分子和生物分子系统上的学习提供了原则性框架，因为预测必须尊重物理学中固有的旋转对称性。这些模型扩展了传统的消息传递 GNN 和 Transformer，通过将节点和边特征表示为在旋转群 SO(3) 的不可约表示下转换的球面张量，确保在输入旋转后，预测以物理上有意义的方式变化。本指南从群表示和球谐函数、张量积、Clebsch-Gordan 分解以及构建 SO(3) 等变核，全面而直观地发展了球面等变建模的完整基础。基于此基础，我们构建了 Tensor Field Network 和 SE(3)-Transformer 架构，并解释了它们如何在几何图上执行等变消息传递和注意力机制。通过清晰的数学推导和带注释的代码示例，本指南为寻求理解或实现用于化学、分子性质预测、蛋白质结构建模和生成建模的球面 EGNNs 的研究人员和学习者提供了自包含的介绍。

关键词

球面等变图神经网络 EGNN SO(3) Tensor Field Network SE(3)-Transformer

引用

@article{arxiv.2512.13927,
  title  = {A Complete Guide to Spherical Equivariant Graph Transformers},
  author = {Sophia Tang},
  journal= {arXiv preprint arXiv:2512.13927},
  year   = {2025}
}

备注

This paper is a technical version of the article originally published in Alchemy Bio (99 pages, 46 figures)

球面等变图 Transformer 完全指南

摘要

关键词

引用

备注

相关论文