一句话定位

PET 和 ORB 是通用势里最”离经叛道”的一支——它们完全放弃显式等变约束，用纯 Transformer 直接处理点云，靠大规模数据和随机旋转增广隐式满足对称性。结果证明了等变性是充分条件而非必要条件。

非等变路线的赌注

从 等变神经网络：原理与脉络 以来，MLIP 社区的主流信念是：等变架构因内建对称性而数据高效。PET/ORB 的赌注是：这个”数据高效”的优势可以被”数据管够 + 简单架构”抵消——与其维护复杂的 CG 张量积，不如上更大规模的纯 Transformer。

这和视觉领域”ViT 战胜卷积的归纳偏置”是同一个剧本。

PET：Point Edge Transformer

PET（EPFL, lab-cosmo）把等变消息传递的”卷积”替换成 Transformer 的注意力，但保留了点-边（point-edge）混合图结构：

  • 点：原子；
  • 边：键/近邻；
  • 注意力：标准 self-attention，用方向信息作为特征而非约束。

它最激进的地方在于规模：PET-OAM-XL 用了 730M 参数——几乎是头部等变模型的 10 倍。这既是它的特色也是它的命门。

ORB：大规模数据 + 旋转增广

ORB（Orbital Materials）走得更纯粹：用等变风格之外的自定义 GNN/Transformer，靠在训练中随机旋转所有结构让模型见过各种姿态，从而隐式学会旋转不变。它的训练数据是 MPtrj + Alexandria + OMat24 的合并集。

ORB v3 以 25.5M 参数拿到 0.860 CPS，参数效率远好于 PET，证明”旋转增广 + 非等变架构”在中等规模下也成立。

榜单成绩

在 MatBench Discovery 榜单上（数据截至 2026-09-23）：

模型 CPS F1 κSRME 参数 训练数据
PET-OAM-XL 0.898 0.924 0.119 730M MPtrj+OMat24+sAlex
ORB v3 0.860 0.905 0.210 25.5M MPtrj+Alex+OMat24

成功还是失败？

两个角度都说得通：

说成功：PET-OAM-XL 挤进 CPS 前十，ORB v3 稳居中上——在不写一行等变代码的情况下达到等变模型的精度，这本身就是对”等变必须”论点的重击。ORB 还在 ORB-1/2 时代就证明了非等变模型能上榜。

说失败：PET 的参数效率惨不忍睹（730M 参数换 0.898，而 GRACE-3L 用 42.1M 就拿到 0.900）；ORB 的力质量（κSRME 0.210）明显不如同规模的保守力等变模型。非等变路线的”成功”依赖超大规模数据与算力，这条路在等变模型不断提效的背景下逐渐失去性价比。

结论：非等变路线证明了理论的”必要性问题”（等变不是必要的），但在工程上的性价比之争中，它并没有赢。

参考文献

  1. PET: Point Edge Transformer for machine-learning interatomic potentials. Nat. Commun. 16 (2025). (OAM 榜单版见 MatBench Discovery 条目.)
  2. Ashiotis, G., et al. ORB: A Fast, Scalable Neural Network Potential (ORB v2/v3). arXiv:2410.22570 (v2), arXiv:2504.06231 (v3), 2024/2025.