基于电子先验与响应态学习的可迁移振动光谱表征研究
针对振动光谱预测在跨化学空间场景下易受局部立体电子环境扰动而导致精度下降的问题，研究提出 SO(3) 等变神经卡尔曼网络（SENK）。该框架构建了响应态级联结构，融合了用于学习 Hessian 矩阵、偶极导数及极化率导数的等变 Transformer 骨干网络，通过等变神经卡尔曼桥实现状态依赖精炼与可靠性感知，并结合 NBO 电子先验以提升光谱表征的可迁移性。
推荐理由提出结合电子先验与等变神经网络的新架构，解决了分子振动光谱预测中的跨空间迁移与精度难题。
原标题：Response-state Learning for Transferable Vibrational Spectroscopic Characterization with Electron Prior
阅读 arXiv 机器学习 原文 ↗