기계 학습 원자 간 포텐셜(MLPs)은 원자 모델링에 혁명을 일으켜, 밀도 범함수 이론(DFT)과 같은 전통적인 방법을 대체할 잠재력을 제공했습니다. 하지만 MLPs의 추론 시간은 고전적인 힘장(force fields)보다 수 배 느려서, 마이크로초 이상의 시간 척도가 필요한 생체 분자 시스템에서의 실제 적용을 방해합니다. 암시적 용매 MLP는 이 문제를 해결할 수 있지만, 거친 입자 모델링(coarse-grained modeling)과 관련된 데이터 문제에 직면해 있습니다. 결과적으로, 이전 접근 방식들은 경험적인 힘장 데이터에 의존하여 MLP의 정확도를 본질적으로 제한했습니다. 여기서는 Equivariant Graph Neural Network로 완전히 매개변수화되고 오직 ab initio 및 실험적 레이블만으로 훈련된 암시적 물 네트워크(Transferable Water Implicit Network, TWIN)를 소개합니다. 우리는 TWIN이 약물 유사 분자, 펩타이드, 단백질 전반에 걸쳐 전이 가능함을 입증하며, ab initio 및 실험적 결정학 및 NMR 벤치마크에서 우수한 결과를 달성하여, 이전의 기계 학습 기반 암시적 용매 또는 거친 입자 모델들을 일관되게 능가합니다. 더욱이, TWIN은 DFT 기반 명시적 용매 MLP와 근접하게 일치하면서도 두 자릿수(two-order-of-magnitude) 더 빠른 시간 단계 평가를 제공하여, 수성 환경에서 생체 분자 시스템의 효율적인 ab initio 수준 모델링을 위한 길을 열어줍니다.