分子特性予測：多レベル量子相互作用モデリングの観点から

分子の特性（例：原子化エネルギー）を予測することは、量子化学において重要な課題であり、薬物設計や新物質探索などの研究進展を大幅に加速する可能性があります。従来の物理学における密度汏関数理論（DFT）に基づく研究は、多数の分子を予測する際に時間のかかることが証明されています。最近では、ルールベースの情報を取り入れた機械学習手法もこの課題に対する潜在能力を示しています。しかし、分子の複雑な内在的な量子相互作用は、既存の解決策によってまだ十分に探究されていません。本論文では、分子特性予測のために一般化可能かつ転移可能なマルチレベルグラフ畳み込みニューラルネットワーク（MGCN）を提案します。具体的には、各分子をその内部構造を保つグラフとして表現します。さらに、巧妙に設計された階層的グラフニューラルネットワークは、構造と空間情報を直接特徴量として抽出し、その後マルチレベルの相互作用から全体的な表現を得ることができます。その結果、これらのマルチレベル全体表現を利用して予測を行うことができます。平衡状態および非平衡状態の分子データセットでの広範な実験により、我々のモデルの有効性が示されました。また、詳細な結果はMGCNが予測に対して一般化可能かつ転移可能であることを証明しています。