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。
Selected Configuration Interaction
高精度分子响应性质的新突破：微扰修正线性响应选择配置相互作用（LR-SCI-PT）深度解析
本文深度解析了基于二阶Epstein-Nesbet微扰理论修正的线性响应选择配置相互作用方法（LR-SCI-PT2），该方法可在极低计算成本下实现接近全配置相互作用（FCI）精度的分子静态响应性质预测。