그래프 합성곱

그래프 합성곱이란?

1) 그래프 합성곱은 신경망과 동일한 아이디어를 분자 데이터에 적용한다.
2) 일반 합성곱 신경망(CNN)이 이미지의 각 픽셀을 벡터로 변환하는 것처럼, 그래프 합성곱은 분자 그래프의 각 노드와 에지를 벡터로 변환하여 연산하는 방법이다.
3) 그래프로 분자를 표현할 때 벡터의 요소는 원소(element), 전하(charge), 혼성화(hybridization) 등의 화학적 성질을 나타낸다.

작동방식

일반 합성곱 신경망의 레이어가 입력 데이터의 부분적인 영역을 기반으로 각 픽셀에 대해 새로운 벡터를 계산하는 것처럼 그래프 합성곱 레이어도 각 노드와 에지에 대한 새로운 벡터를 출력한다.
출력값은 그래프의 각 부분에 학습된 합성곱 커널(kernel)을 적용해 계산된다. 여기서 부분(local)은 노드 사이의 에지로 정의한다.

그래프 합성곱 모델

DeepChem라이브러리에는 주로 사용되는 그래프 합성곱 모델들이 이미 구현돼 간단하게 사용할 수 있다. 주로 사용되는 그래프 합성곱 모델은 다음과 같다.

• 그래프 합성곱(GraphConvModel)
• 위브모델(WeaveModel)
• 메시지 전달 신경망(MPNNModel)
• 딥텐서 신경망(DTNNModel)

그래프 합성곱 모델의 문제점

그래프 합성곱 모델은 분자 그래프로만 계산을 수행하다 보니 분자 구조에 대한 정보가 사라져 분자 구조와 연관된 특성은 알 수 없게 되는 문제점이 있다. 따라서 그래프 합성곱 모델은 작은 분자량의 데이터를 다룰 때는 괜찮지만 단백질과 같은 거대 분자에는 적합하지 않다.