量子科技中心_量科网

从第一性原理精确预测分子关联能需要解析具有{O}(N⁴)复杂度的电子排斥积分(ERI)张量。现有的电子结构问题图神经网络方法通常将该张量压缩为低秩标量特征，丢弃了与电子关联相关的高阶相互作用结构。在该工作中，该团队证明ERI的张量分解自然诱导出一种结构化的二分图消息传递架构，相比压缩轨道表示能更有效地保留对高阶相互作用结构的访问权限。通过利用ERI张量的密度拟合Cholesky分解，该团队推导出一个二分图网络，将轨道自由度与辅助相互作用节点建模为不同集合，在降低至{O}(N³)的理论复杂度下保持相互作用拓扑结构。在包含六种双原子分子132个几何构型并以全组态相互作用(FCI)参考能量为基准的评估中，该团队的因子化表示在五折交叉验证下实现了0.0296 Ha的分布内平均绝对误差(MAE)，相较于压缩积分基线有显著提升。留一分子交叉验证表明，零样本泛化能力在不同分子物种间存在近四倍的差异，且与留出分子轨道环境的结构相似性（而非单纯核电荷不对称性）相关。