本文提出了一種名為克利福德群等變圖神經網路 (CG-EGNN) 的新型 E(n) 等變圖神經網路架構,它通過在克利福德代數的框架內整合高階局部結構來增強高階訊息傳遞,從而提高模型的表達能力和在處理圖數據對稱性方面的性能。
等變模型,特別是那些基於張量積和球諧函數的模型,在分子系統的模擬和預測方面展現了強大的能力。然而,本研究發現,這些模型在訓練過程中可能會忽略某些不可約表示,特別是那些與向量和張量量相關的表示,這可能導致模型效能不佳。