그래프 신경망을 이용한 분자 생성을 위한 멀티그리드 학습
Multigrid Training for Molecular Generation using Graph Neural Networks
심층 학습은 입력이 흔히 그래프 또는 3D 격자로 표현되는 생화학적 분자 시스템 모델링에서 상당한 성공을 거두었다. 주요 과제는 계산 비용이 해상도에 따라 증가한다는 점으로, 이로 인해 분자 밀도에 대한 전체 그래프/격자 계산이 비용이 크고 종종 불안정해진다. 우리는 이산화 간 매개변수 전달을 통해 저해상도 최적화를 활용하여 고해상도에서의 학습을 가속하는 멀티그리드 학습 전략을 제안한다. 그래프 분자 표현의 경우, 편향 랜덤 워크 업샘플링(biased random walk upsampling)을 통해 거친 그래프에서 학습된 매개변수를 점점 더 세밀한 그래프들의 순서로 점진적으로 전달한다. 3D 분자 생성의 경우, 분자 구조를 여러 해상도로 복셀화(voxelize)하고, 저해상도 조건부 변분 오토인코더(conditional Variational Autoencoder, CVAE)를 사전학습한 뒤, 거친 모델로부터 형상 호환(shape compatible) 합성곱 매개변수를 전달하여 고해상도 CVAE를 초기화한다. 수용체 조건(receptor-conditioned) 3D 리간드 생성에 대한 수치 실험은, 처음부터 학습하는 경우에 비해 멀티그리드 학습이 수렴을 가속하고 일반화를 개선함을 보여준다.