在计算化学中，准确描述电子相关性是一个核心挑战，而选择性构型相互作用（SCI）作为一种强大的工具，有助于接近完全的CI极限。尽管最近的机器学习（ML）集成加速了行列式的选择过程，但现有的回归和分类方法存在一个根本性的目标损失不匹配问题：它们单独评估行列式的重要性，而没有明确考虑它们之间的相对重要性排序。在这里，我们提出了排序构型相互作用（RCI），这是一种基于ML的新SCI框架，将行列式选择重新定义为一种成对排序问题。RCI建立在基于Transformer的架构之上，用于捕捉复杂的、非局域的轨道依赖性，并逐步优化行列式的部分排序。通过这种方式，RCI使训练目标与SCI的固有排序性质更加一致。在平面波和高斯基组上进行的广泛基准测试中，包括N2、CO、H2O、NH3和C2等分子，证明了RCI的高效率。与之前报道的分类基线方法相比，RCI一致地加快了收敛速度——根据系统的不同，整体计算时间减少了23%到50%以上，并且在N2和CO等代表性案例中仅使用了55%的行列式数量。此外，RCI在高度复杂的铁-硫簇问题上表现出稳健的性能，并且仅使用了完整CI空间的12%就达到了化学精度。值得注意的是，RCI在可比的行列式数量下，其准确度提高了15%以上，优于最近的基于回归的SCI方法。RCI在强关联的铬二聚体上的效率也高于热浴CI，产生了紧凑且精确的波函数。这种成对学习排序模型提供了一个轻量级且模块化的插件，可以无缝集成到其他监督学习框架中。
