비평형 분자에 대한 빠르고 불확실성 인식 방향성 메시지 전파

화학 분야에서 많은 중요한 작업들은 반응 중 분자들의 행동에 초점을 맞추고 있다. 그러나 이러한 분석은 평형 상태에서 멀리 벗어난 상황에서의 예측이 필요하며, 최근 분자에 대한 기계학습 연구 대부분은 평형 또는 평형에 근접한 상태에 집중되어 왔다. 본 논문에서는 이러한 연구 범위를 세 가지 방식으로 확장하고자 한다. 첫째, 평형 분자에 대한 QM9 벤치마크에서 원래의 DimeNet 대비 8배 빠르고 정확도가 10% 향상된 DimeNet++ 모델을 제안한다. 둘째, 충돌 과정에서 소분자의 변형된 구조를 포함하는 도전적인 COLL 데이터셋을 개발하여, 극도로 반응성이 높은 분자에 대한 DimeNet++의 유효성을 검증한다. 셋째, 비평형 구조의 광범위한 공간을 빠르게 탐색할 수 있도록 불확실성 정량화를 위해 앙상블 기법과 평균-분산 추정을 탐구한다. 본 연구에서 개발한 DimeNet++ 구현 코드 및 COLL 데이터셋은 모두 온라인으로 공개되어 있다.