초록
분자 그래프에서 학습하기 위한 계층적 신경 메시지 전달 아키텍처를 제안한다. 본 모델은 원시 분자 그래프 표현과 그에 연관된 절점 트리(junction tree)라는 두 가지 보완적인 그래프 표현을 입력으로 사용한다. 여기서 절점 트리의 노드는 원래 그래프 내에서 의미 있는 군집(예: 고리 구조 또는 교차 결합 화합물)을 나타낸다. 이후 우리는 각 그래프 내부에서 메시지를 전달함으로써 분자의 표현을 학습하고, 거시적에서 미시적, 그리고 미시적에서 거시적 방향의 정보 흐름을 통해 두 표현 간에 메시지를 교환한다. 본 방법은 기존 GNNs에서 알려진 제약 사항(예: 사이클 탐지)을 일부 극복할 수 있으며, 동시에 학습 효율성이 매우 높다. 제안한 방법의 성능은 ZINC 데이터셋과 MoleculeNet 벤치마크 컬렉션에서 유도된 데이터셋을 통해 검증되었다.