近年来，基于第一性原理参考计算的机器学习力场（MLFFs）取得了进展。研究发现MLFFs中的稳定性与等变表示有潜在联系，但计算成本可能限制其优势。为解决问题，提出了一种称为SO3krates的Transformer架构，结合了稀疏的等变表示和能够分离不变和等变信息的self-attention机制。SO3krates实现了准确性、稳定性和速度的独特结合，能深入分析物质的量子性质。通过生成分子动力学轨迹和研究势能面拓扑，展示了SO3krates在稳定性和能量构象之间找到平衡的能力。