待验证50% 置信事实精确时间
代表性等变神经网络架构包括SchNet、EGNN、SE(3)-Transformer，扩散框架相关模型包括FrameDiff、FoldFlow
1
来源数
50%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
扩散模型革命：AI药物发现的下一个前沿
rss2026/7/1
相关事实
待验证混合架构的核心理念是将不同类型的神经网络模块（如RNN/GRU、Transformer注意力、GNN、统计因子分支）组合以捕捉金融数据中的多维度模式69% 相似待验证e3nn是由Geiger等人开发的、专门用于构建E(3)等变神经网络的开源PyTorch框架，核心数据结构是不可约表示特征68% 相似已验证MoE架构将Transformer的前馈网络层替换为多个并行专家子网络，通过路由网络对每个token动态选择激活2-4个专家64% 相似待验证DiT 架构用 Transformer 替代传统 U-Net 作为扩散模型骨干网络，能在 Patch 级别捕捉跨帧长程依赖关系64% 相似待验证MoE架构将标准Transformer的FFN层替换为N个并行专家子网络，并通过门控路由网络每次选择Top-K个专家进行计算（通常K=2），实现稀疏激活61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/114580API
curl https://kongchang.com/api/v1/knowledge/claims/114580MCP
get_claim(id=114580)