초록
메시지 전달 신경망은 그래프 기반 학습, 특히 화학적 성질 예측 및 분자 역학 연구의 가속화에 있어 주목받는 방법으로 자리 잡았다. 기존 방법들은 대규모 학습 데이터셋에 쉽게 확장될 수 있으나, 과거 연구들은 커널 방법에 비해 데이터 효율성이 낮다는 점을 보였다. 우리는 이러한 문제의 주요 원인으로 불변 표현(invariant representations)의 한계를 지적하고, 회전에 대해 등변적(rotationally equivariant) 표현으로 메시지 전달 공식을 확장하였다. 이를 기반으로 극성 가능 원자 상호작용 신경망(Polarizable Atom Interaction Neural Network, PaiNN)을 제안하며, 기존 네트워크에 비해 일반 분자 벤치마크에서 성능을 향상시키면서 모델 크기와 추론 시간을 줄였다. 또한 PaiNN가 생성하는 등변적 원자별 표현을 활용하여 텐서 성질 예측에 응용하였다. 마지막으로 이 방법을 분자 스펙트럼 시뮬레이션에 적용하여 전자 구조 기준값 대비 4~5자리 수의 속도 향상을 달성하였다.