초록
분자 구조로부터 물리화학적 성질을 예측하는 것은 인공지능 기반 분자 설계에서 핵심적인 과제이다. 이 도전 과제를 해결하기 위해 점점 더 많은 그래프 신경망(GNN) 모델이 제안되고 있다. 이러한 모델들은 분자 내 보조 정보를 통합함으로써 표현력을 향상시키지만, 동시에 계산 복잡도가 자연스럽게 증가하게 된다. 본 연구에서는 분자 구조에 대해 강력하면서도 효율적인 GNN 모델을 설계하는 것을 목표로 한다. 이를 달성하기 위해, 각 분자를 두 층의 다중 그래프(multiplex graph)로 표현하는 분자역학 기반 접근법을 제안한다. 첫 번째 층은 주로 공유 결합 상호작용을 포착하는 국소적 연결만을 포함하고, 두 번째 층은 비공유 결합 상호작용을 시뮬레이션할 수 있는 전역적 연결을 포함한다. 각 층에 대해 표현력과 계산 복잡도 사이의 균형을 고려한 메시지 전달 모듈을 각각 제안한다. 이러한 두 모듈을 기반으로 다중 분자 그래프 신경망(Multiplex Molecular Graph Neural Network, MXMNet)을 구축하였다. 소분자에 대한 QM9 데이터셋과 대규모 단백질-리간드 복합체에 대한 PDBBind 데이터셋을 기반으로 한 검증 결과, 자원 제약 조건 하에서도 기존 최고 성능 모델들을 상회하는 우수한 성능을 보였다.