本文探讨了超图数据中的线性层的置换不变性和等变性，提出了一种新的线性层架构，提升了深度神经网络在处理异构图数据时的性能，并在少量数据下实现良好推广。此外，文章讨论了等变神经网络的设计及其在复杂拓扑特征空间中的应用，具有重要的理论和实践意义。

该文综述机器学习原子间势的发展，涵盖原子团簇展开（ACE）、NequIP、TensorNet、EANN等方法，强调等变性、置换不变性与计算效率。研究通过统一数学框架、自动指纹选择、集成学习等策略，提升对晶体材料、声子传输及复杂势能面的建模精度，并探讨优化与参数估计等挑战。