본 논문은 밀도 범함수 이론(DFT) 계산의 속도를 높이기 위해, 분자 기하학 정보를 조건으로 하여 해밀턴 행렬을 생성하는 고차 등변 흐름 매칭 프레임워크인 QHFlow를 제안한다. QHFlow는 해밀턴의 구조화된 분포를 학습하기 위해 흐름 매칭을 사용하며, SE(3) 등변 신경망을 통해 대칭성을 통합하여 정확도와 일반화 성능을 향상시킨다. 또한, 궤도 에너지 정렬을 위한 미세 조정 기법을 도입하여 물리적 충실도를 높였다. QHFlow는 MD17과 QH9 데이터셋에서 기존 방법 대비 해밀턴 오류를 각각 71%, 53% 감소시키는 최고 성능을 달성했으며, 예측된 해밀턴을 SCF 반복 초기화에 사용함으로써 DFT 계산 속도를 향상시킨다.
