분자 특성 예측을 위한 콜모고로프-아놀드 그래프 신경망
그래프 신경망(GNN)은 기하학적 딥러닝의 핵심 모델로서 분자 특성 예측에서 뛰어난 성능을 보여왔습니다. 한편, 콜모고로프-아놀드 네트워크(KAN)는 다층 퍼셉트론의 강력한 대안으로 부상하며 표현력, 매개변수 효율성 및 해석 가능성을 향상시켰습니다. 이 연구는 두 프레임워크의 장점을 결합하고자 합니다. 본 연구에서는 KAN 모듈을 GNN의 세 가지 기본 구성 요소인 노드 임베딩, 메시지 전달, 그리고 읽기(readout)에 통합한 콜모고로프-아놀드 GNN(KA-GNN)을 제안합니다. 또한, 함수 근사 능력을 강화하기 위해 KAN 내부에 푸리에 급수 기반의 단변수 함수를 도입하고, 그 표현력을 뒷받침하는 이론적 분석을 제공합니다. KA-그래프 컨볼루션 네트워크와 KA-증강 그래프 어텐션 네트워크라는 두 가지 아키텍처 변형을 개발하고, 7가지 분자 벤치마크에서 평가했습니다. 실험 결과, KA-GNN은 예측 정확도와 계산 효율성 면에서 기존 GNN을 일관되게 능가하는 것으로 나타났습니다. 더 나아가, 본 모델은 화학적으로 의미 있는 하위 구조를 강조함으로써 해석 가능성을 향상시켰습니다. 이러한 발견은 KA-GNN이 분자 데이터 모델링, 신약 개발 및 그 이상의 분야에서 강력하고 일반화 가능한 프레임워크를 제공함을 입증합니다.