KLDM：把晶体坐标的扩散从环面“抬升”到欧氏速度空间

0. 链接验证表

下表链接均在 2026-08-23 实际访问；版本日期来自 arXiv submission history。OpenReview 若触发浏览器验证，仍仅列出由会议主页反向链接或论文明确给出的 URL；找不到独立资源时标注“未找到”，不据此断言资源不存在。

1. 检索、去重与随机选择

1.1 去重

已检查 ml-report-index.md。最近 14 天的 AI4Science 核心工作是 2026-08-16 的 Elucidating the Design Space of Multimodal Protein Language Models，主题是蛋白质序列—结构离散 token 的监督几何；本期排除蛋白多模态 token 化与 DPLM2.1。KLDM 研究的是晶体分数坐标的环面几何、动力学扩散和材料稳定性验证，问题对象与技术核心均不重复。

1.2 候选池（20 篇）与随机抽取

候选来自 ICML 2025 PMLR accepted papers，并用 arXiv、OpenReview、代码仓库及论文全文补充核验；全部属于运行日的 AI4Science/跨界范围，发表未超过 24 个月。

1. Raptor：3D 医学体积的免训练嵌入
2. BounDr.E：药物相似性的一类边界学习
3. 专业级 Graph-of-Thought 医疗推理
4. 生成式蛋白适应度优化的变分视角
5. DiffMS：质谱条件分子扩散生成
6. SO(3)-averaged Flow Matching 与 Reflow 的构象生成
7. LDMol：文本到分子的潜空间扩散
8. 全原子蛋白复合物设计
9. 分子—语言对齐的层次图 token 化
10. OmniArch：科学计算基础模型
11. 用神经算子导数加速 PDE 约束优化
12. KLDM：晶体材料的动理学 Langevin 扩散
13. CLIMB：大规模多模态临床基础数据
14. 面向医疗难样本的合成数据
15. 从折叠能预测蛋白结合突变效应
16. 旋转对齐驱动的可扩展非等变 3D 分子生成
17. 用字典学习从显微基础模型提取生物概念
18. MF-LAL：多保真潜空间主动学习的药物生成
19. WyckoffDiff：晶体对称性的生成扩散
20. MedRAX：胸片医疗推理 Agent

执行 shuf -i 1-20 -n 1 得到 12。KLDM 有 30 页会议全文、官方代码、四个公开数据集结果、三次或六次运行统计及多层消融，资料充足，重抽次数为 0。

2. 核心论文深度解析

2.1 Motivation：周期坐标不是普通的三维向量

晶体单胞可记为 (x=(f,l,a))：(f\in[0,1)^{3\times K}) 是 (K) 个原子的分数坐标，(l) 是晶格，(a) 是元素类型。分数坐标的 0 与 1 表示同一点，因此它不是有边界的欧氏立方体，而是高维环面 (\mathbb T^{3K})。若直接在 (\mathbb R^{3K}) 加高斯噪声再裁剪，0.99 与 0.01 会被误判为相距很远；若在环面做 wrapped-normal/Riemannian diffusion，则前向核、score 与数值积分又变得复杂。论文第 1–3 页把这一点定位为晶体生成中最难的连续模态。

现有方法已经意识到对称性。CDVAE 显式编码周期边界；DiffCSP 在分数坐标上采用周期 (E(3))-等变网络与 wrapped-normal diffusion；EquiCSP 进一步保证晶格置换和周期平移等变；FlowMM 用黎曼 flow matching 绕开扩散的分数预测。但这些路线仍直接在位置流形上定义生成过程。KLDM 的新问题是：能否保留环面上的正确运动，同时把学习目标放到固定的欧氏空间？

其价值不只是数学洁癖。MP-20 有 45,231 个晶体、每个至多 20 个原子；MPTS-52 有 40,476 个晶体、最多 52 个原子（论文附录表 6，第 25 页）。环面维数随原子数升至 156，边界与整体平移冗余都会放大。KLDM 在最难的 MPTS-52 @1 上把 FlowMM 的 match rate 17.54 提至 23.93，绝对 +6.39 pp、相对 +36.43%（表 1，第 7 页），证明“换一个扩散状态空间”可以转化为可观的结构预测收益。

2.2 故事线：先抬升，再约束，最后把速度初值压成零

论文的论证有四个关键转折。

第一，把每个环面坐标看作 (SO(2)) 上的旋转。位置仍留在正确流形，但新增速度 (v) 位于其李代数；对环面而言，李代数就是固定欧氏空间。第二，前向过程只给速度注入噪声，位置通过速度自然移动。训练因此不再拟合一个带周期求和的坐标 score，而是拟合高斯速度的 score。第三，晶体的整体周期平移不改变结构，所以网络输出速度后要减去质量中心/黎曼均值，强制总平移速度为零。第四，也是最重要的经验转折：若初始速度直接设为零点质量，条件速度分布可以解析化，score 参数化由“网络同时学习均值与尺度”简化为“网络只预测干净坐标相关项”。图 1 与附录表 3 表明，这一简化不是装饰，而是主要增益来源。

隐含权衡也很清楚。KLDM 把流形 score 的困难换成了扩展状态空间：采样时要同时积分位置与速度，并多引入摩擦系数 (\gamma)、终止时间 (T) 和预测—校正步骤。PC sampler 往往提升 @1 精度，却不总提升 @20；例如 MPTS-52 的 KLDM-(x_0) 从 EM 的 37.77 降到 PC 的 37.10（表 1），说明更多校正并不等于更高的候选覆盖率。

2.3 方法论与机制解剖

2.3.1 形式化定义

将分数坐标映射为 (\hat f\in SO(2)^{3K})，并为每个位置引入李代数速度 (\hat v)。KLDM 的前向 kinetic Langevin SDE 为：

[ d\hat f_t=\hat f_t\hat v_t,dt,\qquad d\hat v_t=-\gamma\hat v_t,dt+\sqrt{2\gamma},dw_t^{\mathfrak g}. \tag{12，正文 p.4} ]

第一式是无噪声的输运，第二式是 Ornstein–Uhlenbeck 速度过程。反向过程保持位置动力学，但速度漂移需加入条件 score：

[ d\hat f_t=-\hat f_t\hat v_t,dt, \quad d\hat v_t={\gamma\hat v_t+2\gamma\nabla_{\hat v_t} \log p_t(\hat v_t\mid\hat f_t)},dt+\sqrt{2\gamma},d\bar w_t^{\mathfrak g}. \tag{13，正文 p.4} ]

训练损失是 velocity denoising score matching，并与晶格、元素模态损失相加：

[ \mathcal L=\lambda_v\mathcal L_v+\lambda_l\mathcal L_l+ \lambda_a\mathcal L_a,\qquad \lambda_v=\lambda_l=1. ]

元素类型使用三种实现：连续 one-hot（C）、analog bits（C-AB）或离散 absorbing diffusion（D）；对应 (\lambda_a) 分别为 20、1、0.33（附录 E，第 24–25 页）。零初始速度 (v_0=0) 令高斯条件核的部分均值项消失，得到论文式 (19) 的 simplified parameterization；这比式 (18) 的 direct parameterization 更容易学习。

2.3.2 流程示意

晶体 x0=(分数坐标 f0, 晶格 l0, 元素 a0)
       │
       ├─ f0: T^(3K) ≅ SO(2)^(3K) ── 加入欧氏速度 v0=0
       │                                  │
       │                         kinetic forward SDE
       │                     位置按速度移动；噪声只进速度
       │                                  │
       │                     网络预测 velocity score
       │                                  │
       │              减去均值 → 强制 zero-net velocity
       │                                  │
       │                EM 或 Predictor–Corrector 反演
       │
       ├─ l0: 普通欧氏扩散 ─────────────────────────┤
       └─ a0: C / C-AB / D 元素扩散 ───────────────┤
                                                  ↓
                                  候选晶体 → 结构匹配 / MatterSim

2.3.3 关键机制与工程细节

2.4 实验设计、基准与指标

数据来自附录表 6（PDF 第 25 页）。CSP 给定组成预测结构：Match Rate（MR，越高越好）统计结构匹配率，RMSE（越低越好）只在匹配样本上计算；@1 是一次采样，@20 是每组成 20 个候选。DNG 同时生成组成与结构：RMSD 衡量 MatterSim 松弛前后位移，energy above hull 越低越稳定，stable 表示低于稳定阈值的比例，SUN 是 stable、unique、novel 的交集。

2.5 主结果：完整 CSP 数据矩阵

下表逐项转录论文表 1（PDF 第 7 页）；“—”表示原表未报告，绝不补造。KLDM 为 3 次采样的均值±标准误，基线为各自论文值。

@1：单候选结构预测

最有说服力的定量证据出现在难数据集，而不是 PEROV-5：KLDM-x₀ PC 相对 FlowMM 在 MPTS-52 MR 上 +6.39 pp / +36.43%；相对 EquiCSP 则 +9.08 pp / +61.14%。但 RMSE 最优仍是 EquiCSP 的 0.1169，KLDM-x₀ PC 为 0.1276，差 9.15%。这说明 KLDM 更容易“命中更多样本”，却未让已命中的坐标误差达到最低。

@20：多候选覆盖

@20 揭示参数化与采样器的交互：单样本最强的 x₀-PC 并非覆盖率最强；MPTS-52 上 ε-PC 为 39.81，x₀-PC 为 37.10，后者低 2.71 pp / 6.81%。因此不能把“简化 score 全面更优”外推到所有预算；它主要改善 @1 和匹配后的 RMSE，而候选集多样性可能下降。

2.6 DNG：稳定性提升与 SUN 回落同时存在

论文表 2（PDF 第 8 页）用 MatterSim 松弛评估每个 KLDM 变体的 10,000 个样本，三次采样。星号基线在重优化、过滤后的 MP-20 上训练，KLDM 却用原始未过滤 MP-20；这不是严格同数据对比。

KLDM-D 相对 MatterGen 把 stable 从 47.05 提至 59.21，+12.16 pp / +25.84%，above-hull 从 0.201 降至 0.155，下降 22.89%；但 RMSD 从 0.147 增至 0.283，恶化 92.52%，SUN 从 25.76 降至 18.52，-7.24 pp / -28.11%。最关键的科学结论因此不是“KLDM 生成最好材料”，而是：离散元素扩散显著提高代理势能判定的稳定率，却没有同步解决新颖性、唯一性和几何松弛距离。

2.7 多层消融、敏感性与相变

附录表 3（PDF 第 21 页）给出 direct 与 simplified score 的严格对比：

在 PC 下，simplified 相对 direct：MP-20 MR +2.08 pp / +3.29%、RMSE 下降 23.01%；MPTS-52 MR +5.61 pp / +35.39%、RMSE 下降 19.63%。难度越高，简化参数化的 MR 收益越大，这支持“减少 score 学习负担比堆更复杂网络更关键”。

图 1（正文第 9 页）使用 6 个训练种子，比较初始速度方差 (0,0.1,0.5,1)、是否 zero-net velocity 与两种 score。图只给曲线及均值±标准误，未给每个点的精确数字，因此本报告不从图像猜读数值。能够审慎推出的是：零速度明显优于非零方差，simplified 明显优于 direct，zero-net 仅边际改善。相变信号在 (\mathrm{Var}(v_0)=0) 与任何正方差之间，而论文没有更密的 ([0,0.1]) 扫描，无法判断是连续陡降还是理论上的真正突变。

论文还未报告 (\gamma)、(T)、PC corrector 步数、网络宽度和采样步数的系统敏感性曲线；也未给 accuracy–NFE 或 wall-clock Pareto 前沿。因此可以确认参数化敏感，却不能确认 KLDM 对动力学超参鲁棒。

2.8 统计显著性

主表中 KLDM 的 CSP 与 DNG 多数结果是 3 个采样种子的均值±标准误，图 1 是 6 个训练种子；这是比只报单点更好的证据。以 MPTS-52 @1 为例，x₀-PC 23.93±0.2 与 ε-PC 21.46±0.2 相差 2.47 pp，约为单侧标准误的 12 倍；但论文没有给原始样本、置信区间，也未执行配对检验。基线只报单点，无法做公平显著性比较。DNG 的 10,000 样本很多，但三次运行并不等于材料候选独立同分布；标准误很小不能替代化学有效性验证。

2.9 真正贡献、可复用设计与迁移潜力

KLDM 真正的贡献不是“又一个晶体扩散模型”，而是给出一种通用设计原则：当数据落在李群/环面而 score 难学时，可保留群上的位置动力学，把随机性与学习任务搬到固定李代数速度空间。 这比特定 EGNN 更可迁移。蛋白/RNA 扭转角、周期分子动力学、机器人关节角和相位数据都具有环面结构；TDM 已在更一般李群上证明该思想，KLDM 则补上晶体的周期平移、晶格和离散元素多模态耦合。

可单独复用的模块包括：零初始速度导出的 simplified score、对网络输出做 zero-net 投影、连续结构与离散类型分开选扩散过程、同时报告 @1 与 @20 防止把精度误当覆盖、以及把 stable 与 SUN 并列以暴露“稳定但重复/不新颖”的失败。尤其是最后一项评测习惯，比单报稳定率更有科研价值。

3. 局限性与补充批判

3.1 论文自述限制

1. 缺少 DFT 最终验证。 结论段（正文第 9 页）明确称用 DFT 验证生成材料是自然下一步；当前表 2 依赖 MatterSim 机器学习势能，因此“稳定”是代理模型下的稳定。
2. 动力学与架构仍可改进。 结论段提出 alternative velocity noising、对周期性更匹配的 score architecture、模态专属噪声日程；说明 (\gamma=1,T=2) 与现有 EGNN 并非完成态。
3. 对称性覆盖不完整。 附录 I.4（PDF 第 29 页）承认没有处理 lattice permutation invariance；正文还把 space group/Wyckoff 信息、目标属性条件生成和 MOF 扩展列为未来工作。

3.2 独立批判（证据 → 推论）

1. [实验设计问题] 训练数据不公平。 因为 MatterGen/DiffCSP 基线用重优化、过滤 MP-20，而 KLDM 用原始未过滤 MP-20（表 2 注释），所以 stable 59.21 对 47.05 的 +12.16 pp 同时混入数据版本效应；不能把全量差值归因于 kinetic lift。
2. [指标有效性问题] 稳定率与可发现性背离。 因为 KLDM-D stable 最高 59.21%，但 SUN 仅 18.52%，低 MatterGen 7.24 pp，所以多数额外“稳定”样本没有同时满足唯一与新颖；稳定率不是材料发现产出的充分替代指标。
3. [失手的子任务] 几何松弛距离显著更差。 因为 KLDM-D RMSD 0.283 Å，几乎是 MatterGen 0.147 Å 的 1.93 倍，所以其初始结构离势能极小值更远；这会增加后续松弛成本，并削弱“高质量直接生成”的主张。
4. [论证缺口] 没有等算力效率对比。 因为代码示例 PC 使用 1,000 步，而论文只说单卡 24GB、未报 GPU-hour、NFE、吞吐或 MatterSim 松弛成本，所以无法判断 +6.39 pp MPTS-52 MR 是否值得额外速度状态与 corrector 成本。
5. [指标有效性问题] RMSE 是条件指标。 因为 RMSE 只在结构匹配成功的样本上计算，而 EquiCSP MPTS-52 RMSE 0.1169、MR 14.85，KLDM-x₀ PC RMSE 0.1276、MR 23.93，所以两者的 RMSE 评估集合不同；不能据 9.15% 差距直接断言 EquiCSP 对同一批样本更准。
6. [超参可复现性风险] 相变未被定位。 因为图 1 只扫初始速度方差 0、0.1、0.5、1，没有 (10^{-4}) 到 (10^{-1}) 的密集区间，所以“零速度是特殊点”有证据，但“为什么”尚未与混合时间或 score 方差定量关联。
7. [缺乏关键竞品对比] 对称生成缺口未 head-to-head。 因为同会 WyckoffDiff 显式生成 Wyckoff/空间群信息，而 KLDM 未纳入空间群条件，表 1/2 也没有相同数据、预算下的 WyckoffDiff 对比，所以无法判断动量抬升与显式晶体对称先验哪一个更重要。
8. [可复现性风险] 代码公开但权重与环境证据有限。 因为仓库可访问且含训练/评估入口与 MP-20 目录，却未找到正式 release 或预训练权重；论文仅报 RTX 3090/A5000，未报驱动、完整运行时与随机种子清单，所以复现实验仍需从头训练。

4. 相关工作回溯：问题如何一步步传递

4.1 CDVAE — 2022，ICLR

解决了什么。 CDVAE 把周期晶体生成从一般图 VAE 推向带物理归纳偏置的扩散解码器：原子坐标沿类似低能方向去噪，元素类型随邻域键合关系更新，并显式处理周期边界与置换、平移、旋转不变性。它还整理了 Perov-5、Carbon-24、MP-20 数据和评测，成为后续表 1 的共同基线。

遗留缺口。 其 VAE 潜变量负责晶格与组成，坐标去噪并未把分数坐标的环面几何作为首要状态空间；重构/生成链条也引入编码瓶颈。KLDM 表 1 中 CDVAE 在 MPTS-52 @1 只有 5.34 MR，显示原子数增大后覆盖不足。

KLDM 的回应与设计传递。 KLDM 继承多模态拆分与数据/指标体系，但取消 VAE 作为核心坐标生成机制，直接在 ((f,v)) 扩展空间建模；从“周期边界是网络不变性”推进到“周期性决定随机过程本身”。

4.2 DiffCSP — 2023，NeurIPS

解决了什么。 DiffCSP 用分数坐标而非笛卡尔坐标联合生成晶格与原子位置，并以 periodic-(E(3))-equivariant denoiser 保证关键晶体对称；这是 KLDM 直接复用网络骨架和 CSP 评测协议的来源。

遗留缺口。 它直接在环面坐标做 wrapped-normal/Riemannian diffusion，需要学习位置 score；整体周期平移的冗余与坐标 score 参数化仍缠在一起。MPTS-52 @1 MR 12.19、@20 34.02（KLDM 表 1 转录）说明大单胞仍难。

KLDM 的回应与设计传递。 KLDM 保留 fractional-coordinate 与 EGNN 表示，却把 score 从位置搬到欧氏速度，再用 zero-net velocity 消除整体平移模。于是 DiffCSP 的“表示选对空间”进化为 KLDM 的“扩散过程也选对空间”。

4.3 EquiCSP — 2024，ICML

解决了什么。 EquiCSP 指出已有扩散在晶格置换和周期平移等变性上不完整，设计始终保持这些对称的 noising algorithm；它证明前向噪声机制必须与网络对称性一致，而不只是末端数据增强。

遗留缺口。 等变 noising 仍直接作用于坐标流形，且“约束正确”不自动带来高覆盖：表 1 中 MPTS-52 @1 MR 14.85，虽 RMSE 0.1169 最低，命中率仍有限。

KLDM 的回应与设计传递。 KLDM 吸收“训练与推理全程保持平移对称”的原则，用均值投影约束速度；但它没有继承 lattice permutation invariance，作者在附录 I.4 明确承认。两者因此是互补关系，不是简单替代。

4.4 FlowMM — 2024，ICML

解决了什么。 FlowMM 把晶体生成表述为黎曼 flow matching，可自由选择 base distribution，论文还用量子化学验证，并声称寻找稳定材料的积分步数约为既有开放方法的 1/3。它把社区注意力从“唯一的扩散噪声日程”转向“更简单的连续输运路径”。

遗留缺口。 Flow matching 仍需在晶体乘积流形上构造向量场；表 1 的 MPTS-52 @1 MR 17.54，说明简单路径并未完全解决大单胞覆盖。其优势是积分效率，而 KLDM 没有在相同 NFE 下比较。

KLDM 的回应与设计传递。 KLDM 没有改用 flow matching，而是用 kinetic lift 简化扩散 score；两者分别代表“简化路径”和“扩展状态”。核心论文超过 FlowMM 的 MPTS-52 MR，却缺失速度对比，因此技术胜负仍未闭合。

4.5 TDM — 2025，ICLR

解决了什么。 TDM 用 trivialized momentum 把李群上随位置变化的切空间速度改写到固定李代数，并配合保流形积分器，已在蛋白/RNA 扭转角、环面以及 (SO(N),U(N)) 上验证。它是 KLDM 最直接的技术来源。

遗留缺口。 TDM 面向一般李群数据，不包含晶体的多原子整体平移冗余、晶格连续模态、元素离散模态，也没有 CSP/DNG 的材料评测链。

KLDM 的回应与设计传递。 KLDM 把 TDM 的辅助动量具体化为每个原子的周期速度，加入 zero-net 投影，并联合晶格与三种元素扩散。最关键的传递不是照搬 SDE，而是发现晶体任务中 (v_0=0) 可导出更简洁、经验上更强的 score。

5. 技术演进脉络

2022 CDVAE [周期边界 + 扩散解码 + 共同数据/指标]
       │
       ├── 2023 DiffCSP [分数坐标 + joint equivariant diffusion]
       │          │
       │          ├── 2024 EquiCSP [补齐晶格置换/周期平移等变]
       │          │
       │          └── 2024 FlowMM [从 score diffusion 改为 Riemannian flow]
       │
2024→2025 TDM [李群位置 + 固定李代数动量 + 保流形积分]
       │
       └──────────────────────────────┐
                                      ↓
2025 KLDM [晶体环面位置 + 欧氏速度 + zero-net 投影
           + 晶格扩散 + 连续/离散元素扩散 + CSP/DNG]

内在推动力是从“让网络看见周期性”走向“让整个随机过程尊重周期性”，再走向“用辅助变量改变学习问题的几何”。第一个转折是 DiffCSP 的 fractional coordinate：不再让笛卡尔坐标承担单胞选择；第二个是 EquiCSP，指出前向噪声也必须等变；第三个分叉中，FlowMM 简化输运目标，TDM/KLDM 则扩展状态空间。社区关注点也从 validity/coverage 转向 MatterSim/DFT 稳定性与 SUN，但 KLDM 的 stable–SUN 背离说明评测尚未收敛。

6. 开放挑战与可操作研究机会

6.1 理论层面

1. 零速度“相变”定位。 固定网络和训练预算，在 (\mathrm{Var}(v_0)\in{0,10^{-5},10^{-4},10^{-3},10^{-2},10^{-1}}) 做 head-to-head，报告 score 方差、混合时间、MR 与 RMSE；检验零点优势来自解析参数化还是动力学退化。
2. 扩展状态与直接流形 score 的样本复杂度。 在合成 (\mathbb T^d) 上令 (d=6,30,60,156)，比较 KLDM 与 wrapped-normal score 在相同参数量、相同函数评估次数下的误差上界和实测斜率。
3. 对称投影的完整化。 将 zero-net velocity 与 EquiCSP 的 lattice permutation equivariance 组合，做四格消融：都无、仅速度投影、仅晶格置换、两者兼有；这直接补论文附录 I.4 的缺口。

6.2 工程与应用层

1. 等预算 KLDM vs FlowMM。 在同一 MP-20/MPTS-52 split、同一 EGNN、相同 NFE、GPU-hour 和峰值显存下画 MR–时间、SUN–时间 Pareto 曲线；这是判定 kinetic lift 是否优于 flow matching 的关键缺失实验。
2. MatterSim 到 DFT 的校准。 对每种方法随机抽取至少 500 个 MatterSim stable 样本做 DFT relaxation，报告 precision、能量排序 Spearman 相关与 false-stable rate；否则 59.21% 只是代理模型内的数字。
3. 采样器与覆盖率。 在 @1/@5/@10/@20/@50 上对 EM、PC 以及不同 corrector 次数进行对比，同时报告 pairwise structure diversity，验证 x₀-PC 在 @20 的回落是否来自模式收缩。
4. 可复现实验包。 发布固定容器、四数据集 hash、三/六种子 checkpoint 与训练日志；以公开权重推理结果和从头训练结果分别验收，降低“代码存在但不可复算表 1”的风险。

6.3 新兴方向

1. 显式空间群条件。 在相同 MP 数据和 MatterSim/DFT 流程下比较 KLDM、WyckoffDiff 与“KLDM+Wyckoff conditioning”，按 230 个空间群分层报告 validity、stable、SUN，观察动量机制是否能与符号对称先验叠加。
2. 属性条件生成。 加入带隙、体积模量或磁性条件，比较 classifier-free guidance 与 reward guidance；用条件命中率、DFT 误差、SUN 三维 Pareto，而不是只报某个属性均值。
3. 更大周期系统与缺陷。 从最多 52 原子扩至 MOF、表面和含空位/掺杂超胞，在相同原子数分桶下测试内存、NFE 与结构有效率，以确认环面维度扩张时收益是否继续增大。

7. 其他值得关注的近期工作

1. WyckoffDiff（ICML 2025）：显式把 Wyckoff 位置和晶体对称纳入生成，是 KLDM 未覆盖空间群先验的最直接 head-to-head 候选。
2. Efficient Molecular Conformer Generation with SO(3)-Averaged Flow Matching and Reflow（ICML 2025）：用群平均与 reflow 追求等变性和更短采样路径，可与 KLDM 的“扩状态”路线对照。
3. Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment（ICML 2025）：挑战“高性能 3D 生成必须全程等变”的默认假设，值得在参数/吞吐等预算下检验。
4. DiffMS（ICML 2025）：将质谱条件映射到分子生成，代表实验观测条件约束比无条件分子先验更重要的方向。
5. MF-LAL（ICML 2025）：用多保真主动学习把昂贵实验/模拟反馈接入药物潜空间搜索，适合借鉴到 DFT-in-the-loop 晶体生成。
6. OmniArch（ICML 2025）：以统一架构覆盖科学计算任务，值得关注其通用性与专门几何归纳偏置之间的边界。
7. Towards scientific discovery with dictionary learning（ICML 2025）：从显微基础模型抽取可解释生物概念，连接表示学习、机制解释与自动发现。

8. 结论

KLDM 最重要的启示是：材料生成的几何难题未必只能靠更复杂的等变网络解决，改变扩散状态——用欧氏速度承载噪声——也能显著减轻 score 学习。在 MPTS-52 上，单候选 MR 从 FlowMM 的 17.54 提至 23.93，是全文最强的几何建模证据；离散元素扩散又把 MatterSim stable 推到 59.21%。但后者伴随 SUN 低于 MatterGen 7.24 pp、RMSD 接近其 1.93 倍，加上训练数据版本不一致和缺少 DFT，意味着“更稳定”还不能等价为“发现更多可合成的新材料”。

核验与坦诚性说明

• 所有表格数字均转录自 KLDM 会议论文表 1–6 或由这些数字直接复算；派生百分比保留两位小数。
• OpenReview 页面在自动访问时触发浏览器验证；其 URL 由 PMLR Related Material 或论文/代码明确给出，未把无法读取的评审内容用于论证。
• 未找到 KLDM 预训练权重、独立项目页或视频；未对图 1 曲线做像素猜数。
• 本报告无法实际运行 KLDM 的完整训练与 DFT 松弛，复现性判断基于论文与公开仓库可见内容。
• HTML 已通过 Warm Editorial 结构与离线依赖验证（0 warnings）；运行环境未提供 /usr/bin/chromium、/opt/pw-browsers 浏览器二进制，因此无法完成 Playwright 的浅色、深色、移动端截图实渲染，未把静态校验冒充视觉验收。
• 去重索引已在本次产出后更新。