[论文解读] Machine Learning Hamiltonians are Accurate Energy-Force Predictors

Seongsu Kim, Chanhui Lee+8 more|arXiv (Cornell University)|Feb 18, 2026

Machine Learning in Materials Science被引用 0

一句话总结

本文通过直接从预测的哈密顿量计算能量与力来基准 ML 哈密顿量，引入 QHFlow2，可达到 NequIP 级别的力学准确性，在 MD17/rMD17 与 QH9 基准上实现高达 20 倍的能量 MAE 下降。

ABSTRACT

Recently, machine learning Hamiltonian (MLH) models have gained traction as fast approximations of electronic structures such as orbitals and electron densities, while also enabling direct evaluation of energies and forces from their predictions. However, despite their physical grounding, existing Hamiltonian models are evaluated mainly by reconstruction metrics, leaving it unclear how well they perform as energy-force predictors. We address this gap with a benchmark that computes energies and forces directly from predicted Hamiltonians. Within this framework, we propose QHFlow2, a state-of-the-art Hamiltonian model with an SO(2)-equivariant backbone and a two-stage edge update. QHFlow2 achieves $40\%$ lower Hamiltonian error than the previous best model with fewer parameters. Under direct evaluation on MD17/rMD17, it is the first Hamiltonian model to reach NequIP-level force accuracy while achieving up to $20 imes$ lower energy MAE. On QH9, QHFlow2 reduces energy error by up to $20 imes$ compared to MACE. Finally, we demonstrate that QHFlow2 exhibits consistent scaling behavior with respect to model capacity and data, and that improvements in Hamiltonian accuracy effectively translate into more accurate energy and force computations.

研究动机与目标

• 推动直接将 ML 哈密顿量作为能量–力预测器进行评估，而不仅仅是重建指标。
• 开发一个可扩展、准确的 MLH 模型（QHFlow2），在哈密顿量预测方面具有更强的鲁棒性。
• 建立一个统一基准，使用下游能量和力来比较哈密顿量预测器与 MLIP 基线。
• 研究哈密顿量预测的准确性如何随模型容量与数据规模增长，以及这如何转化为能量/力的精度。

提出的方法

• 使用等变流形匹配，将分子几何映射到哈密顿量，同时保持旋转不变性。
• 采用基于 eSEN 的 SO(2) 等变骨干网络，并通过高效的两阶段边更新实现鲁棒性。
• 通过张量展开读出将哈密顿量构造成 Hermitian 区块，在原子类型条件下进行。
• 结合显式的两阶段对更新，以建模对角线之外的哈密顿量区块，并提高对截断/径向基设置的鲁棒性。
• 用不变表示（Z）和等变表示（H、对成对特征）对输入编码，并在原子中心轨道基底中预测 H。
• 通过求解用预测的 H 与重叠矩阵的 Roothaan–Hall 方程，评估下游能量与解析力。

Figure 1 : QHFlow2 overall workflow. Given the molecular structure $\mathcal{M}$ , flow time $t$ , and an intermediate Hamiltonian state $\mathbf{H}_{t}$ , QHFlow2 applies an SO(2) backbone, a two-stage pairwise update, and construct Hamiltonian via tensor expansion for energy and force evaluation.

实验结果

研究问题

• RQ1 MLH 模型是否能够预测出足够准确的哈密顿量，使下游评估得到准确的能量与力？
• RQ2 与前一代 MLH 模型相比，QHFlow2 的 SO(2) 等变骨干和两阶段边更新是否提升了哈密顿量、能量与力的预测？
• RQ3 哈密顿量预测的准确性如何随模型容量与训练数据的增加而变化，这对下游 MD 量化有何影响？
• RQ4 当将预测的哈密顿量用作 KS-DFT 的初始猜测时，是否带来实际好处，如减少自洽迭代次数？

主要发现

• QHFlow2 相较于前沿状态在哈密顿量 MAE 上降低了 40–50%，参数数量大约只有一半。
• 在 MD17/rMD17 上，QHFlow2 达到 NequIP 级别的力学准确性，并且能量 MAE 比 NequIP 低至 20 倍。
• 在 QH9 上，QHFlow2 将能量误差降低多达 20 倍，较 MACE 有显著提升，并优于 EquiformerV2。
• QHFlow2 展现出一致的缩放特性：增加模型容量和数据规模时，哈密顿量误差下降、下游能量/力的准确性提高。
• 预测哈密顿量可在 KS-DFT 中作为初始猜测时减少自洽迭代次数，随着预测能力提升接近数据极限参考。
• QHFlow2 提供比以往哈密顿量模型更快的推理速度与更优的速度-内存权衡，同时保持或提高准确性。

Figure 2 : Energy and force accuracy under direct evaluation on the MD benchmark. We report mean absolute errors (MAE) of total energy (top) and forces (bottom) computed from predicted Hamiltonians on six molecular systems. gray bars denote MLIP baselines, green bars denote prior Hamiltonian predict