우주론적 추론 (Cosmological inference)의 핵심 관측값이며 바리온 물질 (Baryonic matter)의 대규모 분포를 탐사하는 도구인 운동학적 Sunyaev-Zel'dovich (kSZ) 효과를 정밀하게 측정하려면 분광 조사 (Spectroscopic surveys)로부터 은하 속도를 정확하게 재구성해야 합니다. kSZ 측정의 신호 대 잡음비 (SNR)는 재구성된 속도와 실제 속도 사이의 상관 계수 $r$에 직접적으로 비례합니다. 본 논문에서는 관측 데이터의 특정한 대칭성에 맞도록 설계된 등변 그래프 트랜스포머 (Equivariant graph transformer) 아키텍처인 Velocityformer를 소개합니다. 기저의 물리학은 병진 (Translations) 및 회전 (Rotations)에 대해 등변적 (Equivariant)이지만, 관측 효과는 선호되는 시선 방향 (Line-of-sight direction)으로 인해 이러한 대칭성을 깨뜨립니다. 모델의 귀납적 편향 (Inductive bias)을 데이터의 깨진 대칭성 (Broken symmetry)에 맞추는 것은 모든 모델 크기와 학습 데이터 양에 걸쳐 일관되게 성능을 향상시키며, Velocityformer는 표준 선형 이론 (Linear theory) 베이스라인 대비 $r$을 35% 개선하고 모든 데이터 양에서 머신러닝 (ML) 베이스라인을 능가합니다. 모델의 귀납적 편향을 데이터에 맞추고 물리 기반의 장파장 (Long-wavelength) 해에 조건화함으로써, Velocityformer는 매우 높은 데이터 효율성을 보여줍니다. 단 4개의 저충실도 (Low-fidelity) 시뮬레이션만으로도 높은 정확도로 학습이 가능하며, 입력 기하학 (Geometry), 우주론적 매개변수 (Cosmological parameters), 그리고 은하 샘플에 대해 제로샷 (Zero-shot) 일반화가 가능합니다. 고충실도 (High-fidelity) 시뮬레이션 은하 카탈로그에서 이는 물리적 베이스라인 대비 $r$을 30% 향상시키며, 이는 관측 데이터에서 동일한 SNR 이득으로 직접 연결됩니다.