待验证50% 置信事实精确时间
TFN（Tensor Field Networks）、SEGNN和EquiFold等模型将原子视为图节点，用球谐函数编码原子间方向信息，确保预测不依赖输入坐标系
1
来源数
50%
置信度
长期有效
时效性
2026/8/20
首次发现
来源
相关事实
待验证分子天然具有SE(3)/E(3)等变性，即物理性质不随整体旋转和平移改变；几何深度学习将物理对称先验内嵌于网络结构，使模型参数量更小、泛化更强60% 相似待验证e3nn已被应用于分子动力学势能面拟合（如NequIP、MACE等模型）、蛋白质结构预测和材料性质预测60% 相似待验证贝叶斯网络通过有向无环图显式建模变量间的条件依赖关系，适合捕捉因果链条59% 相似待验证TensorFlow/Keras内置的tf.keras.utils.plot_model函数一行代码即可导出模型结构图57% 相似待验证SciML 的代表性方向包括物理信息神经网络（PINN）、神经算子（Neural Operator）、可微分仿真（Differentiable Simulation）57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/778929API
curl https://kongchang.com/api/v1/knowledge/claims/778929MCP
get_claim(id=778929)