深度解析：面向下一代GPU的超高效耦合簇（CCSD）Python框架——CuPy与PyTorch在Hopper架构上的性能对决
本文深度探讨了如何在NVIDIA Hopper和Grace Hopper架构上通过改进批处理算法，利用CuPy和PyTorch显著提升CCSD计算效率，最高实现10倍加速，为大规模量子化学计算提供了新的技术范式。
张量收缩
量子化学高性能计算前沿：循环群对称张量收缩的自动不可约表示变换技术深度解析
本文深度解析了一种名为“不可约表示对齐（Irreducible Representation Alignment）”的新颖算法，该方法能将复杂的块稀疏对称张量收缩全自动转化为高效的稠密张量操作，显著提升量子化学计算在大规模并行环境下的性能。
量子化学计算的范式转移：随机张量收缩（STC）加速 CCSD(T) 至均场级别复杂度
本文深度解析 Caltech Garnet Chan 课题组发表的随机张量收缩（STC）方法，该技术成功将“金标准”量子化学方法 CCSD(T) 的计算复杂度从 $O(N^7)$ 降至接近均场级别的 $O(N^4)$。
量子化学计算的范式革命：随机张量收缩技术（STC）深度解析
本文深度解析了由 Jiace Sun 和 Garnet Kin-Lic Chan 提出的随机张量收缩（STC）技术，该技术成功将量子化学“金标准” CCSD(T) 的计算复杂度降低至平均场量级，并展示了其在处理电子离域和高维体系时的卓越性能。