초록
복잡한 상호작용을 모델링할 잠재력이 크기 때문에, 그래프 신경망(GNN) 기반의 방법은 분자의 양자역학적 성질을 예측하는 데 널리 활용되고 있다. 기존의 대부분의 방법은 원자를 노드로 모델링하는 분자 그래프로 분자를 표현한다. 이러한 방법들은 분자의 다른 원자들과의 쌍별 상호작용을 모델링함으로써 각 원자의 화학적 환경을 특징화한다. 비록 이러한 기법들이 뛰어난 성과를 거두었지만, 세 개 이상의 원자 간 상호작용인 다체 상호작용(Many-body interactions)을 명시적으로 고려한 연구는 여전히 제한적이다. 본 논문에서는 다양한 유형의 노드와 엣지를 가진 이질적 분자 그래프(Heterogeneous Molecular Graph, HMG)라는 새로운 분자 표현 방식을 제안한다. HMG는 다체 상호작용을 효과적으로 모델링할 수 있으며, 복잡한 기하학적 정보를 담을 수 있는 잠재력을 지닌다. HMG에 저장된 풍부한 정보를 화학 예측 문제에 활용하기 위해, 신경망 메시지 전달 방식을 기반으로 이질적 분자 그래프 신경망(HMGNN)을 구축하였다. HMGNN은 전역 분자 표현과 어텐션 메커니즘을 예측 과정에 통합하여, 원자 좌표의 평행이동 및 회전, 원자 인덱스의 순열에 대해 불변(invariant)한 예측 성능을 제공한다. 제안된 모델은 QM9 데이터셋의 12개 작업 중 9개에서 최신 기준(SOTA) 성능을 달성하였다.