분자 힘 예측을 위한 손실 가이드 적응형 스케일 정밀화 (Loss-Guided Adaptive Scale Refinement)

분자 시스템은 국부적인 배위(local coordination) 및 단거리 섭동(short-range perturbations)부터 장거리 정전기적(long-range electrostatic) 및 용매 매개 효과(solvent-mediated effects)에 이르기까지 다양한 공간적 스케일(spatial scales)에 걸친 상호작용을 포함합니다. 그러나 대부분의 분자 표현 학습(molecular representation learning) 방법은 수동으로 사전 정의된 스케일에 의존하며, 작업에 최적화된 모델링 스케일이 이러한 고정된 수준과 일치하지 않을 수 있습니다. 본 연구는 분자 힘 예측을 위한 손실 가이드 적응형 스케일 정밀화(loss-guided adaptive scale refinement) 프레임워크를 소개하며, 사전 정의된 스케일을 초기 앵커(initial anchors)로 취급하고 보간(interpolation), 라우팅(routing), 미분 가능한 스케일 업데이트(differentiable scale updates) 및 스케일 풀 정밀화(scale pool refinement)를 통해 작업에 효과적인 해상도를 발견합니다. NaCl 수용성 이온 시스템을 최소 테스트베드로 사용하여, 본 연구는 단거리(short-scale) 및 장거리(long-range) 힘 예측 브랜치를 구축하고 이들의 상호 보완성을 분석합니다. 오라클 하드 라우팅(Oracle hard routing)은 전체 힘 MAE(Mean Absolute Error)를 399.65에서 382.67로 감소시키며, 연속 오라클 보간(continuous oracle interpolation)은 이를 380.96까지 추가로 감소시킵니다. 최근접 이온 거리가 0.6 nm 미만인 근접 접촉 영역(close-contact regimes)에서 근접 접촉 MAE는 327.22에서 260.51로 감소합니다. 최소 스케일 풀 업데이트 실험에 따르면, 끝점 앵커 {0,1}에서 시작할 때 손실 가이드 업데이트는 중간 스케일을 자동으로 생성하고 연속 오라클 성능의 대부분을 회복합니다. 최종 업데이트된 스케일 풀 {0,0.125,0.25,0.375,0.5,0.75,1}은 381.23의 전체 MAE를 달성합니다. 이러한 결과는 고정 스케일 모델링이 불충분할 때, 적응형 스케일 정밀화가 분자 표현 학습을 위한 유망한 방향임을 뒷받침합니다.