arXiv 2026年10月5日作者提出 OrbFlow——一个 SE(3) 等变生成模型，通过流匹配在完整 GTO 系数空间上学习概率路径，并用两阶段轨迹课程缓解数值积分中的离散化漂移；它在 QM9 上把密度误差相对此前最佳模型降低 13.6%，在 MD 基准的每个分子上相对共享基组的最强先前方法降低 51% 至 63%，同时把 SCF 迭代最多减少 68%，可零样本迁移到未见过的交换关联泛函，并在不做任何 SCF 计算的情况下把偶极与四极矩恢复到 DFT 参考值的百分之几以内。作者提出 OrbFlow——一个 SE(3) 等变生成模型，通过流匹配在完整 GTO 系数空间上学习概率路径，并用两阶段轨迹课程缓解数值积分中的离散化漂移；它在 QM9 上把密度误差相对此前最佳模型降低 13.6%，在 MD 基准的每个分子上相对共享基组的最强先前方法降低 51% 至 63%，同时把 SCF 迭代最多减少 68%，可零样本迁移到未见过的交换关联泛函，并在不做任何 SCF 计算的情况下把偶极与四极矩恢复到 DFT 参考值的百分之几以内。OrbFlow 用 SE(3) 等变流匹配预测 GTO 系数，在 QM9 上把密度误差降低 13.6% 并将 SCF 迭代最多减少 68%作者提出 OrbFlow——一个 SE(3) 等变生成模型，通过流匹配在完整 GTO 系数空间上学习概率路径，并用两阶段轨迹课程缓解数值积分中的离散化漂移；它在 QM9 上把密度误差相对此前最佳模型降低 13.6%，在 MD 基准的每个分子上相对共享基组的最强先前方法降低 51% 至 63%，同时把 SCF 迭代最多减少 68%，可零样本迁移到未见过的交换关联泛函，并在不做任何 SCF 计算的情况下把偶极与四极矩恢复到 DFT 参考值的百分之几以内。作者提出 OrbFlow——一个 SE(3) 等变生成模型，通过流匹配在完整 GTO 系数空间上学习概率路径，并用两阶段轨迹课程缓解数值积分中的离散化漂移；它在 QM9 上把密度误差相对此前最佳模型降低 13.6%，在 MD 基准的每个分子上相对共享基组的最强先前方法降低 51% 至 63%，同时把 SCF 迭代最多减少 68%，可零样本迁移到未见过的交换关联泛函，并在不做任何 SCF 计算的情况下把偶极与四极矩恢复到 DFT 参考值的百分之几以内。