几何形态学习：让基础模型理解几何结构

论文提出几何形态学习框架，用可微几何算子建模结构。

资讯摘要

一篇 arXiv 论文提出“几何形态学习”框架，试图让深度学习直接学习几何与拓扑结构。作者构建 neural bundle 作为连接局部与全局结构的统一支架，并定义包括 connection 与 curvature 在内的可微算子，从而支持 holonomy、cohomology 等几何概念的研究。论文称该框架可应用于基础模型、推理与规划、图建模、物理仿真、PDE 系统与动力学。

要点速读

1. 论文指出深度学习本身对几何“不可见”，而黎曼几何与深度学习架构仍难以兼容。
2. 作者提出 neural bundle 与可微的 connection、curvature 算子，用于建模对象内在几何。
3. 论文声称该框架面向基础模型、推理规划、图建模、物理仿真与 PDE 等方向。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。