기계학습을 통한 특정 성질 예측을 위한 효율적인 모델 개발은 화학 및 재료 과학의 혁신에 있어 매우 중요한 과제이다. 그러나 소분자 데이터에서부터 더 큰 분자로의 전자 구조 성질, 예를 들어 전자 최고 결합 오비탈(HOMO) 및 최저 비결합 오비탈(LUMO) 에너지 수준과 그 HOMO-LUMO 갭을 예측하는 것은 여전히 도전 과제로 남아 있다. 본 연구에서는 QM9 데이터셋의 최대 11만 건의 데이터를 대상으로 랜덤 분할 평가에 대해 다중 작업 학습에 화학적으로 해석 가능한 통찰을 융합할 수 있는 다단계 주의(attention) 전략을 개발하였다. QM9 및 Alchemy 데이터셋에서 모두 학습 데이터셋 외부의 더 큰 분자에 대한 예측에서 뛰어난 전이성(transferability)이 입증되었다. 본 연구에서 특별히 설계된 해석 가능한 다단계 주의 신경망인 DeepMoleNet을 사용하여, 전기쌍극모멘트, HOMO, 기브스 자유 에너지 등 12개 성질에 대해 화학 정확도(chemical accuracy) 내에서 높은 효율성과 정확도를 달성하였다. 특히 주목할 점은, 기존의 전형적인 접근 방식에서 ACSFs(원자 중심 대칭 함수)를 입력 특징으로 사용하는 대신, 본 다중 작업 딥러닝 모델은 ACSFs를 예측 대상 중 하나로 채택하고 있다는 점이다. 제안된 다단계 주의 신경망은 수많은 화학 종의 고속 스크리닝에 적용 가능하며, 약물, 재료, 화학 반응의 합리적 설계를 가속화하는 데 기여할 수 있다.