HamEvo：一个固定点神经算子，实现尺寸与泛函可迁移的哈密顿量预测
HamEvo 引入了一种创新的固定点神经算子框架，通过学习自洽场（SCF）迭代的更新动力学并结合密度矩阵监督，实现了对 Kohn-Sham 哈密顿量的尺寸和泛函可迁移、高精度预测，显著加速了量子化学计算并保留了核心电子结构信息。
哈密顿量
量子化学哈密顿量优化的“炼金术”：通过轨道变换大幅降低量子计算1-范数的深度解析
本文深入探讨了Koridon等人提出的轨道变换技术，揭示了如何通过局域化轨道和直接1-范数优化（OO）将量子化学模拟的计算复杂度降低一个数量级以上，为NISQ和容错量子计算提供了关键路径。
量子启发式哈密顿算子特征提取在 ADMET 预测中的应用：一项模拟研究深度解析
本文深度解析了 Polaris Quantum Biotech 提出的量子启发式特征提取方法，探讨如何通过互信息引导的哈密顿算子编码捕捉分子指纹的高阶相关性，以突破 ADMET 预测的传统瓶颈。
量子化学基准测试的革命：利用“种植解”生成已知基态的非平庸哈密顿量
本文深度解析了多伦多大学团队提出的种植解（Planted Solutions）框架，该方法通过在哈密顿量中嵌入可检索的基态，为电子结构方法提供大规模、复杂度可控且具有精确解的基准测试体系。