본 논문은 밀도범함수이론(DFT) 계산의 비용을 줄이기 위해, 분자 구조를 조건으로 하여 해밀토니안 행렬을 생성하는 고차 등변 흐름 매칭 프레임워크인 QHFlow를 제안합니다. 기존의 심층 학습 기반 해밀토니안 예측 방법들이 결정적 회귀에 의존하는 것과 달리, QHFlow는 흐름 매칭을 통해 해밀토니안의 구조적 분포를 학습합니다. SE(3) 등변 벡터 필드를 예측하는 신경망 구조를 사용하여 대칭성을 고려하고, 예측된 준위 에너지를 목표값에 맞추는 미세 조정 기법을 통해 물리적 정확도를 높였습니다. 결과적으로 QHFlow는 MD17 데이터셋에서 71%, QH9 데이터셋에서 53%의 해밀토니안 오류 감소를 달성하였으며, DFT 계산 초기화에 QHFlow의 예측값을 사용하여 SCF 반복 횟수와 실행 시간을 크게 단축시켰습니다.
