제1항 내지 제9항 중 어느 한 항의 분자 구현 방법을 컴퓨터 장치에서 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.

3차원 그래프 인공 신경망(graph neural network)을 이용한 분자 구현 방법에 있어서,원자 간의 결합 차수에 따른 엣지 가중치(edge weight)를 고려한 가중 결합 행렬(weighted bond matrix)에 의해 공유 분자 그래프(covalent molecular graph)가 임베딩(embedding)되고,분자 내에서 비공유 원자의 상대적인 위치 정보를 포함하는 비공유 인접 행렬(noncovalent adjacency matrix)에 의해 비공유 분자 그래프(noncovalent molecular graph)가 임베딩되는 것을 특징으로 하는 분자 구현 방법.

제1항에 있어서,상기 공유 분자 그래프는 정규화된 공유 인접 행렬(normalized covalent adjacency matrix), 원자-특징 행렬, 결합-특징 텐서(bond-feature tensor), 및 3차원 원자간-위치 텐서를 포함하고,상기 비공유 분자 그래프는 정규화된 비공유 인접 행렬(normalized noncovalent adjacency matrix), 원자-특징 행렬(atom-feature matrix), 및 3차원 원자간-위치 텐서(3D interatom-position tensor)를 포함하는 것을 특징으로 하는 분자 구현 방법.

제1항에 있어서,상기 원자는 상기 비공유 분자 그래프와 상기 공유 분자 그래프에서 스칼라 특징(scalar feature)과 벡터 특징(vector feature)으로 표현되는 것을 특징으로 하는 분자 구현 방법.

제1항에 있어서,상기 비공유 분자 그래프와 상기 공유 분자 그래프는 특징-임베딩(feature-embedding) 과정, 3차원 그래프 컨볼루션(graph convolution) 과정, 읽기(readout) 과정, 및 완전 연결(fully-connected) 과정을 거쳐 학습되는 것을 특징으로 하는 분자 구현 방법.

제1항에 있어서,상기 비공유 분자 그래프와 상기 공유 분자 그래프는 각 원자의 스칼라 특징과 벡터 특징이 이웃 원자의 특징과 혼합됨에 따라 업데이트되어 중간 원자 특징(intermediate atom feature)을 생성하는 컨볼루션 계층(convolution layer)이 다층 구조로 연결된 구조에 의해 학습되는 것을 특징으로 하는 분자 구현 방법.

제5항에 있어서,상기 컨볼루션 계층은 스칼라 또는 벡터 원자 특징(scalar-to-scalar, scalar-to-vector, vector-to-scalar, vector-to-vector)에서 새로운 특징을 만드는 메시지 전달 계층(message passing layer), 입력 특징인 새로운 스칼라 또는 벡터 원자 특징을 새로운 비선형 출력 특징으로 변환하는 활성화 계층(activation layer), 및 활성화된 특징으로 집계하는 업데이트 계층(update layer)을 포함하는 것을 특징으로 하는 분자 구현 방법.

제5항에 있어서,상기 비공유 분자 그래프에 대한 컨볼루션 계층과 상기 공유 분자 그래프에 대한 컨볼루션 계층은 각 입력 특징이 유지되고 출력 특징에 추가되는 방식으로 스킵 연결되는(skip connection) 것을 특징으로 하는 분자 구현 방법.

제5항에 있어서,상기 비공유 분자 그래프에 대한 컨볼루션 계층과 상기 공유 분자 그래프에 대한 컨볼루션 계층의 스킵 연결을 통해 연결된 스칼라 특징이 읽기(readout) 과정을 거쳐 원자축(atom axis)을 따라 집계되어 전역 그래프 임베딩(global graph embedding)이 생성되는 것을 특징으로 하는 분자 구현 방법.

제8항에 있어서,상기 읽기 과정은 최대 풀링(max pooling), 평균 풀링(avg pooling), 및 합계 풀링(sum pooling) 중 적어도 하나가 포함된 멀티 풀링(multi-pooling)이 사용되는 것을 특징으로 하는 분자 구현 방법.

컴퓨터 장치에 있어서,메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,원자 간의 결합 차수에 따른 엣지 가중치(edge weight)를 고려한 가중 결합 행렬(weighted bond matrix)을 이용하여 공유 분자 그래프(covalent molecular graph)가 임베딩(embedding)하고,분자 내에서 비공유 원자의 상대적인 위치 정보를 포함하는 비공유 인접 행렬(noncovalent adjacency matrix)을 이용하여 비공유 분자 그래프(noncovalent molecular graph)가 임베딩하는 것을 특징으로 하는 컴퓨터 장치.

제11항에 있어서,상기 공유 분자 그래프는 정규화된 공유 인접 행렬(normalized covalent adjacency matrix), 원자-특징 행렬, 결합-특징 텐서(bond-feature tensor), 및 3차원 원자간-위치 텐서를 포함하고,상기 비공유 분자 그래프는 정규화된 비공유 인접 행렬(normalized noncovalent adjacency matrix), 원자-특징 행렬(atom-feature matrix), 및 3차원 원자간-위치 텐서(3D interatom-position tensor)를 포함하는 것을 특징으로 하는 컴퓨터 장치.

제11항에 있어서,상기 적어도 하나의 프로세서는,각 원자의 스칼라 특징과 벡터 특징이 이웃 원자의 특징과 혼합됨에 따라 업데이트되어 중간 원자 특징(intermediate atom feature)을 생성하는 컨볼루션 계층(convolution layer)이 다층 구조로 연결된 구조에 의해 상기 비공유 분자 그래프와 상기 공유 분자 그래프를 학습하는 것을 특징으로 하는 컴퓨터 장치.

제13항에 있어서,상기 적어도 하나의 프로세서는,상기 비공유 분자 그래프에 대한 컨볼루션 계층과 상기 공유 분자 그래프에 대한 컨볼루션 계층의 스킵 연결을 통해 연결된 스칼라 특징을 읽기(readout) 과정을 거쳐 원자축(atom axis)을 따라 집계하여 전역 그래프 임베딩(global graph embedding)을 생성하는 것을 특징으로 하는 컴퓨터 장치.

제14항에 있어서,상기 읽기 과정은 최대 풀링(max pooling), 평균 풀링(avg pooling), 및 합계 풀링(sum pooling) 중 적어도 하나가 포함된 멀티 풀링(multi-pooling)이 사용되는 것을 특징으로 하는 컴퓨터 장치.