분자 MPNN의 성능을 결정하는 요인은 무엇인가? 연산자 수준의 요인 설계 벤치마크

메시지 전달 신경망 (Message-passing neural networks, MPNNs)은 분자 특성 예측 (molecular property prediction)에 널리 사용되지만, 이를 단일 구조 (monolithic architectures)로 배포하면 특정 메시지 전달 연산자 (message-passing operators)가 성능에 어떻게 영향을 미치는지 식별하기 어렵습니다. 본 연구에서는 2D 분자 MPNN을 메시지-시드 초기화 (message-seed initialization), 노드-엣지 융합 (node-edge fusion), 노드 업데이트 (node update) 연산자의 세 가지 계열로 분해하는 연산자 수준의 요인 설계 벤치마크 (operator-level factorial benchmark)를 제시합니다. 결과적으로 도출된 84개의 구성 (configurations)을 동일한 실험 설정 및 통계 분석 프로토콜 하에 10개의 MoleculeNet 데이터셋에서 벤치마킹하였습니다. 이러한 통제된 설계 전반에 걸쳐, 성능 변화는 업데이트 복잡성 (update complexity)보다는 주로 메시지 구축 (message construction)과 관련이 있는 것으로 나타났습니다. 메시지-시드 초기화는 회귀 (regression)와 분류 (classification) 모두에서 유의미한 계열 수준의 효과를 보였으며, 노드-엣지 융합은 회귀에서 유의미한 계열 수준의 효과를 보였고 결합 기반 혼합 (concatenation-based mixing)이 기술적인 이점을 가짐을 확인했습니다. 반면 업데이트 계열은 두 종단 계열 (endpoint family) 모두에서 통계적으로 뒷받침되는 효과를 보이지 않았습니다. Quinethazone 분자에 대한 표현 프로브 (representation probe)를 통해, 결합 기반 혼합이 Hadamard 게이팅 (Hadamard gating)보다 화학적으로 구별되는 헤테로 원자 (heteroatoms)를 더 잘 구별하고 오버스무딩 (oversmoothing)을 더 잘 견딜 수 있음을 추가로 입증했습니다. 분류와 회귀를 위해 각각 별도로 선택된 대표 구성들은 기존의 분자 그래프 신경망 (molecular graph neural network, GNN) 베이스라인 대비 경쟁력 있는 성능을 회복하였으며, 10개의 벤치마크 데이터셋 중 8개에서 수치적으로 가장 높은 순위를 기록했습니다. 이러한 실증적 결과는 대표적인 노드-엣지 융합 및 업데이트 연산자에 대한 간결한 메커니즘 분석을 통해 해석됩니다. 우리의 연구 결과는 모델 설계를 단일 구조에 대한 탐색에서 화학 정보가 메시지 전달 파이프라인의 어디에 어떻게 유입되는지에 대한 표적 평가로 전환함으로써, 분자 MPNN을 위한 실증적 설계 휴리스틱 (design heuristics)을 제공합니다.