引言

等变网络走向大模型时代有两个绕不开的拦路虎：一是CG张量积的计算复杂度随球谐阶数爆炸，使得高阶模型可望不可即；二是力的预测质量问题——许多高精度能量模型的力却出现尖峰、噪声等病态行为，导致声子谱、过渡态搜索等下游任务翻车。eSCN是前一场战役的代表作；eSEN（见 eSEN：平滑能量网络与力的质量）是后一场的代表作。

eSCN：把SO(3)卷积拆成稀疏矩阵

eSCN（Passaro & Zitnick, ICML 2023）的全称是”Reducing SO(3) Convolution to SO(2) Convolution for Equivariant Networks”——标题就是方法。

核心观察：CG张量积$Y^{(l_1)}(\hat{r})\otimes h^{(l_2)}$的耦合系数矩阵在一般方向下是稠密的。但如果先把参考系旋转到让$\hat{r}$指向$z$轴，情况就完全不同了。绕$z$轴的旋转只给球谐函数乘以相位因子$\mathrm{e}^{-im\phi}$，于是耦合选择定则退化为$m_3=m_1+m_2$——耦合矩阵变成一条稀疏带状结构，非零元数量从$(2l_1+1)(2l_2+1)$骤降到线性量级。

算法因此分三步：

把每条边的特征旋转到以边方向为$z$轴的局部规范系（gauge transformation）；
在规范系内做稀疏化的SO(2)卷积；
旋转回全局坐标系。

由于”旋转→计算→旋回”的整条链路都由Wigner D矩阵搭桥，最终结果严格等变于原始输入，但计算成本已经降到了与低阶卷积同量级。

这个看似纯工程的结果带来了范式级的影响：球谐阶数不再是瓶颈。此前$l_{\max}\geq 4$的模型凤毛麟角，eSCN之后EquiformerV2直接用到了$l_{\max}=8$。角度分辨率的大幅提升正是OC20上那15%力误差下降的主要来源。此后几乎所有面向大规模训练的等变架构（包括EquiformerV2/V3、eSEN，以及2026年的DPA-4）都以某种形式采用了eSCN风格的稀疏卷积。

eSCN的遗产

eSCN的”SO(3)→SO(2)”降维思路后来被两代架构继承并超越：

EquiformerV2/V3把eSCN的稀疏卷积嫁接到等变Transformer上，配合DeNS去噪预训练，长期霸占OC20和MatBench Discovery榜首（见 Equiformer系列：等变Transformer的三级跳）；
eSEN在eSCN的卷积基础上主攻力的平滑性，用二阶连续截断和光滑激活守住了物理底线（见 eSEN：平滑能量网络与力的质量）；
DPA-4（2026）的EMFA SO(2)卷积进一步把eSCN的”边对角调制节点”推广为”边耦合所有角动量阶”，并配上机器精度等变的Wigner双线性网络——这一步本质上是把eSCN丢掉的那些跨阶耦合重新捡了回来（见 DPA系列：从注意力势到大模型时代的精度-成本前沿）。

一句话总结eSCN：它把高阶等变从”算不动”变成”算得动”，打开了高阶球谐的大门——后续所有大规模等变模型都在它的肩膀上。