본 논문은 $E(3)$-equivariant 신경망에서 핵심 연산인 텐서 곱의 계산 복잡도를 줄이기 위한 다양한 방법들을 체계적으로 분석합니다. 특히, 기존 연구에서 보고된 속도 향상이 표현력 저하를 수반할 수 있음을 강조하며, 표현력과 상호작용성을 측정하는 지표를 제시합니다. Gaunt 텐서 곱(GTP)의 구현을 간소화하여 구면 격자를 직접 사용하는 방법을 제안하고, 이 방법이 기존 MACE 원자간 포텐셜 학습에서 30%의 속도 향상을 가져온다는 것을 실험적으로 보여줍니다. 마지막으로, 다양한 텐서 곱 연산에 대한 첫 번째 체계적인 마이크로 벤치마크 결과를 제공하며, 이론적 시간 복잡도와 실제 성능 간의 차이를 강조합니다.
