분자 역학 (Molecular dynamics, MD) 시뮬레이션은 특히 장기적인 분석이 필요한 대규모 시스템의 경우 계산 비용이 많이 듭니다. MD 시뮬레이션 결과의 정확한 예측은 매력적인 과학적 도전 과제일 뿐만 아니라 상당한 실질적 가치를 지닙니다. 본 연구에서 우리는 기존의 반복적 적분 (iterative integration) 과정을 피하면서 다단계 원자 좌표 (multi-step atomic coordinates)를 직접 예측할 수 있는 ASTEROID (Advanced Spatiotemporal TransformER fOr Inferring Dynamics)라고 명명된 데이터 기반 프레임워크를 개발했습니다. 이를 위해, 우리의 ASTEROID는 MD 궤적 (trajectories)을 고차원 시공간 시퀀스 (spatiotemporal sequences)로 재구성하고, 시공간 정보 (Spatiotemporal Information, STI) 변환 방정식을 트랜스포머 (Transformer) 아키텍처에 통합합니다. ASTEROID의 핵심 혁신은 다중 스케일 시공간 의존성 (multiscale spatiotemporal dependencies)을 모델링하는 능력에 있습니다. 특히, 공간적 의존성 (spatial dependencies)의 경우, 로컬-글로벌 셀프 어텐션 (local-global self-attention) 메커니즘이 단거리 및 장거리 상호작용을 모두 포착합니다. 시간적 의존성 (temporal dependencies)의 경우, 인코더-디코더 (encoder-decoder) 구조가 전역적 문맥 (global context)을 자기회귀적 예측 (autoregressive forecasting)과 통합합니다. ASTEROID는 양자 역학 (quantum-mechanics)에서 유도된 여러 분자 데이터셋을 통해 평가되었습니다. 우리의 결과는 ASTEROID가 다양한 벤치마크에서 기존 방법들보다 다단계 예측에서 더 높은 정확도를 달성했을 뿐만 아니라, 기존 MD 시뮬레이션의 계산 비용을 크게 줄였음을 나타냅니다. 또한, 이 모델은 확장된 시간 스케일에 걸쳐 반복적인 다단계 예측을 지원합니다. 본 연구는 MD 시뮬레이션을 가속화하기 위한 강력하고 일반화 가능한 데이터 기반 패러다임을 구축합니다.