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。
Machine Learning
数据驱动的波函数压缩：利用神经网络分类器加速经典与量子选择配置相互作用（SCI/SQD）方法
本文深度解析了一种创新的主动学习框架，该框架将行列式筛选转化为二分类任务，利用轻量级神经网络分类器引导变分空间的扩展。该方法不仅使经典cHCI方法的变分空间尺寸和内存占用压缩至原来的1/5，还显著加速了量子cSQD方法的收敛，为攻克高维希尔伯特空间的指数墙难题提供了全新的方法学路径。
代理引导的多保真度机器学习在准粒子与激子特性表征中的革命性应用：解决高通量 GW-BSE 计算中的数值脆弱性
本文深度解析了一种利用大语言模型（LLM）代理与多保真度图注意力网络、高斯过程回归构建的闭环框架，成功解决了高通量多体微扰论（GW-BSE）激子态计算中长波介电屏蔽数值失真与静默失效的瓶颈问题。
量子计算资源优化的新突破：利用注意力机制与Set-Transformer快速寻找哈密顿量泡利对称性
本文深度解析了一种将机器学习与自动化对称性寻找相结合的创新优化框架。该框架基于 Set-Transformer 架构与自注意力机制，能够直接从输入的任意哈密顿量中快速、非确定性地识别泡利对称性，在物理体系中展现出相比传统确定性算法高达数千倍的加速优势，为量子化学模拟中的量子比特渐缩（Qubit Tapering）开辟了全新的AI路径。
量子复杂度的经典双重奏：经典模拟硬度与样本学习难度的深层等价性研究
本文深度解析了经典模拟硬度与基于样本的量子态学习难度之间的内在关联。通过能量生成模型（EBM）、海森矩阵曲率及随机子空间优化（RSO）等先进机器学习工具，揭示了纠缠与非稳定度（Magic）对经典学习算法的多维度制约，为量子计算硬度提供了一种经验性探针。