MALOQ 深度解析：面向大规模量子输运的算符机器学习架构
本文对 MALOQ 框架进行深度技术剖析，展现其如何利用 SO(2) 等变图神经网络、Triton 融合算子与自定义图划分算法，将 DFT 级哈密顿矩阵预测扩展至 10k+ 原子规模，并实现超百张 GPU 的近线性强/弱扩展性。
Graph Neural Networks
从规范等变性到直接规范不变性：基于威尔逊圈表征的阿贝尔格点规范理论图神经网络深度解析
本文深度解析了由 Ali Rayat 与 Gia-Wei Chern 提出的、发表于 2026 年的突破性工作：通过在阿贝尔格点规范理论中直接采用威尔逊圈等规范不变变量作为图神经网络的输入，彻底消除了冗余的规范自由度，并利用自动微分技术高精度重构了具有强非定域相互作用的半经典规范动力学。