可外推的电子哈密顿量机器学习：基于原子势叠加（SAP）特征与哈密顿量降维学
本文深度解析耶鲁大学朱天宇课题组最新提出的基于原子势叠加（SAP）特征的可转移电子哈密顿量机器学习框架。该方法结合对称性自适应内秉原子轨道（SAIAO）与Löwdin下折（Downfolding）技术，实现了高精度、强外推性的Kohn-Sham福克矩阵预测，并精准计算了有机半导体的分子间电荷传输积分。
图神经网络
二分乔莱斯基图网络（BCGN）：用张量分解重构多体量子化学深度学习
本文深度解析了一种全新设计的二分乔莱斯基图网络（BCGN），它通过将电子排斥积分进行 incomplete Cholesky 分解，自然诱导出一套二分消息传递架构，在维持低计算复杂度的同时，完美保留了高阶电子关联效应。
量子化学的新纪元：Exphormer-XC——基于扩展图Transformer的线性缩放非局域交换相关泛函深度解析
本文深度解析 Oxford 研究团队提出的 Exphormer-XC，这是一种结合了扩展图（Expander Graph）与 Transformer 架构的新型机器学习交换相关泛函，首次在保持线性缩放的同时，成功捕捉了强相关体系中的非局域量子效应。
AeTHERON：深度解析面向流固耦合（FSI）的拓扑感知异质图算子网络
AeTHERON 是一种新型异质图算子网络，通过直接镜像浸入边界法（IBM）的数学结构，实现了对复杂流固耦合动力学的高效代理建模与外推预测。