中文
Login
方向二：几何深度学习与拓扑/张量特征提取算法
Hits:
核心算法： 图神经网络（GNN）、线图/原子图网络、拓扑数据分析、张量高级算符、矩阵降维。
总述：本方向聚焦于物质结构的几何与拓扑表征，旨在从标量、矢量、张量及图数据中提取关键描述符。针对纳米粒子的组分、载体、尺寸及配位环境，构建基于图/符号的复合模型。利用线图与原子图神经网络，结合特征相似度（线性相关性/互信息/纠缠熵）聚类策略，深入挖掘原子尺度的局域环境与化学势之间的非线性映射关系。通过引入特殊函数项与张量高级算符，发展多模态非结构化数据的矩阵降维与特征提取技术。该方向为理解MSI（金属-载体相互作用）决定的经典/反常尺寸依赖关系提供了几何深度学习视角，实现了从微观结构到宏观物性的高维特征空间映射与分类预测。