최근 그래프 신경망(GNN)은 분자의 양자역학적 성질을 예측하는 데 큰 성공을 거두었다. 이러한 모델들은 원자를 노드로 간주하고, 오직 원자 간 거리만을 이용하여 분자를 그래프로 표현한다. 그러나 원자 간의 공간적 방향 정보는 고려하지 않으며, 이는 분자에 대한 경험적 포텐셜에서 방향 정보가 핵심적인 역할을 한다는 점을 고려하면 한계가 있다. 예를 들어 각도 포텐셜에서는 방향성이 매우 중요하다. 이러한 한계를 완화하기 위해 우리는 원자 간에 전달되는 메시지를 원자 자체가 아닌 방향성 정보를 포함한 임베딩 형태로 표현하는 '방향성 메시지 전달'(directional message passing)을 제안한다. 각 메시지는 좌표 공간 내 특정 방향과 연관된다. 이러한 방향성 메시지 임베딩은 분자가 회전할 때 해당 방향도 함께 회전하므로 회전 불변성(rotate-equivariance)을 갖는다. 우리는 신뢰도 전파(Belief Propagation)와 유사한 메시지 전달 방식을 제안하며, 메시지 간의 각도를 기반으로 메시지를 변환함으로써 방향 정보를 효과적으로 활용한다. 또한, 이론적으로 타당하고 직교적인 표현을 구성하기 위해 구면 베셀 함수(spherical Bessel functions)와 구면 조화 함수(spherical harmonics)를 사용한다. 이 방법은 현재 널리 사용되는 가우시안 반경 기저(Gaussian radial basis) 표현보다 성능이 우수하면서도 파라미터 수가 1/4 미만으로 감소시킨다. 이러한 혁신을 바탕으로 방향성 메시지 전달 신경망(DimeNet)을 구축하였다. DimeNet은 MD17 데이터셋에서 기존 GNN 모델보다 평균적으로 76% 높은 성능을, QM9 데이터셋에서는 31% 높은 성능을 기록하였다. 본 연구의 구현 코드는 온라인으로 공개되어 있다.