분자 특성 예측: 다중 수준의 양자 상호작용 모델링 관점

분자 특성(예: 원자화 에너지) 예측은 양자 화학에서 중요한 문제로, 약물 설계 및 물질 발견 등 많은 연구 진행을 가속화할 수 있습니다. 물리학에서 밀도 함수 이론(DFT)을 기반으로 한 전통적인 연구들은 대량의 분자를 예측하는 데 시간이 많이 걸린다는 것이 입증되었습니다. 최근에는 규칙 기반 정보를 고려하는 머신 러닝 방법들이 이 문제에 대한 잠재력을 보여주고 있지만, 분자의 복잡한 내재적 양자 상호작용은 여전히 대부분의 기존 해결책에서 충분히 탐구되지 않았습니다. 본 논문에서는 분자 특성 예측을 위해 일반화 가능하고 전이 가능한 다단계 그래프 컨볼루션 신경망(MGCN)을 제안합니다. 구체적으로, 각 분자를 그 내부 구조를 유지하도록 그래프로 표현합니다. 또한, 잘 설계된 계층적 그래프 신경망은 분자의 형태와 공간 정보로부터 직접 특징을 추출하여 다단계 상호작용을 따릅니다. 결과적으로, 다단계 전체 표현이 예측에 활용될 수 있습니다. 균형 상태와 비균형 상태의 분자 데이터셋에 대한 광범위한 실험들은 우리의 모델의 효과성을 입증하였습니다. 더욱이, 자세한 결과는 MGCN이 예측에 일반화 가능하고 전이 가능함을 증명하기도 합니다.