量子化学新突破：基于 Grassmannian 导数感知的交换相关泛函蒸馏技术（DI-Loss）深度解析
本文深度解析了一种革命性的机器学习交换相关泛函训练方法：通过在 Grassmannian 流形上引入一阶和二阶能量导数监督（DI-Loss），成功将高成本的 $O(N^4)$ 杂化泛函蒸馏为高效的 $O(N^3)$ 机器学习半局部泛函，并在基态能量精度、自洽场收敛性及 TDDFT 激发态预测上取得了突破性进展。
机器学习泛函
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。
端到端可微学习：构建适用于 DFT 和 LR-TDDFT 的统一交换相关泛函
本文深度解析了基于 JAX 的 IQC 框架，通过端到端可微工作流优化单一深度学习能量泛函，实现了对基态 DFT 与激发态 LR-TDDFT 的统一描述及分析一致性。