연구진은 모델 구조를 분자 결합 그래프에 맞춰 두면, 적은 매개변수에서도 성능이 나오는지 검증했다. QM9 벤치마크의 HOMO-LUMO gap과 dipole moment를 이진 분류 과제로 바꾸고, 양자 구현 Iso-QGNN과 매개변수를 맞춘 고전 메시지패싱 모델 Iso-CGNN을 같은 분할과 같은 학습 절차로 비교했다. 이 논문은 arXiv에 공개된 동료검토 전 프리프린트다.
핵심 아이디어는 topology-aligned inductive bias다. 원자는 고정된 계산 레지스터에 대응시키고, 결합은 어떤 원자쌍이 상호작용할지를 정한다. 양자 구현에서는 결합 원자 사이에 CZ와 RZ를 쓰는 변분 회로를, 고전 구현에서는 같은 매개변수 공유 규칙을 가진 메시지패싱을 사용했다. 두 모델은 입력 표현, 매개변수 공유 방식, 분류기 머리를 공유하고, 달라지는 것은 정보 전파의 기본 연산이 양자인지 고전인지뿐이다.
실험은 QM9의 약 134,000개 소분자에서 고정 추출한 1,500개 표본으로 했다. 각 과제는 표본 중앙값 기준으로 0과 1을 나눠 정확히 750개씩 균형을 맞췄고, heavy atom 수는 최대 9개로 제한했다. 그보다 작은 분자는 ghost node로 패딩했다. 평가는 test AUC와 accuracy로 했고, matched-capacity 비교에서는 10회 독립 시드를 평균냈다. 학습은 Adam(lr=0.01), batch size 1, 200 epochs, train/validation/test 80/10/10 설정을 썼다.
| 항목 | 값 | 근거 |
|---|---|---|
| 비교 모델 | Iso-QGNN vs Iso-CGNN | 표 I, II / II.B |
| 주요 성능 | gap AUC 0.883±0.038 vs 0.913±0.026; dipole AUC 0.780±0.038 vs 0.779±0.043 | Table III / III.A |
| 비교군 | LogReg 0.660±0.046(gap), 0.698±0.035(dipole); 5 parameters | Table III / III.A |
| 표본 효율 | N90%≈250(Iso-QGNN, both tasks); 100(gap), 200(dipole)(Iso-CGNN) | III.B |
| 학습 설정 | 1,500 molecules, 80/10/10 split, 200 epochs, Adam lr=0.01, 10 trials | II.A–II.C |
자료: STORIUM 정리
같은 64개의 trainable parameters에서 두 모델의 성능은 모두 높았다. HOMO-LUMO gap 과제의 test AUC는 Iso-QGNN 0.883±0.038, Iso-CGNN 0.913±0.026이었고, accuracy는 각각 0.785±0.040과 0.823±0.038이었다. dipole moment 과제에서는 AUC가 Iso-QGNN 0.780±0.038, Iso-CGNN 0.779±0.043으로 사실상 같았고, accuracy도 0.728±0.025와 0.716±0.049 수준이었다. 비교군인 heavy-atom composition 기반 logistic regression은 gap 0.660±0.046, dipole 0.698±0.035에 그쳤다.
표본 효율도 확인했다. 별도 3,000개 분자 풀과 500개 고정 테스트셋을 쓴 sample-complexity sweep에서 Iso-QGNN은 두 과제 모두 약 250개 훈련 분자에서 자기 비대칭 성능의 90%에 도달했다. Iso-CGNN은 gap에서 약 100개, dipole에서 약 200개에서 같은 기준에 도달했다. 이 수치는 이 sweep은 40 epochs와 validation-selected epoch를 사용했으므로, 표 III의 수렴값이나 절대 AUC와 직접 비교할 수는 없다고 적었다.
학습 안정성도 유지됐다. Iso-QGNN의 gradient norm은 대체로 10^-1에서 약 100 범위였고 몇 epoch 안에 안정화됐으며, Iso-CGNN도 비슷한 크기에서 유지됐다. 결합 매개변수의 학습값은 시드 간 표준편차가 커서 개별 결합 종류의 순서는 안정적이지 않았지만, gap과 dipole, 그리고 양자와 고전 사이에서 분포 자체는 달랐다. 저자들의 해석은 명확하다. QM9 규모에서는 양자 서브스트레이트 자체보다 결합 그래프를 반영한 구조가 성능과 데이터 효율을 좌우했다.
저작권자 © STORIUM 무단전재 및 재배포 금지
