본 논문은 반복적인 구조 단위(모노머)로 이루어진 고분자 구조를 표현하기 위한 새로운 방법인 Graph Repetition Invariance (GRIN)을 제안한다. 기존 그래프 신경망 방법론은 작은 분자에는 효과적이지만, 고분자의 단일 단위만 모델링하여 단위 수에 따른 일관된 벡터 표현을 생성하지 못한다는 문제점을 해결하고자 한다. GRIN은 그래프 기반 최대 신장 트리 정렬과 반복 단위 증강을 통합하여 구조적 일관성을 보장한다. 또한, 모델과 데이터 관점에서 반복 불변성에 대한 이론적 보장을 제공하며, 최적의 불변 표현 학습을 위해서는 3개의 반복 단위가 최소 증강 요구 사항임을 입증한다. GRIN은 단일 중합체 및 공중합체 벤치마크에서 최첨단 기반 모델보다 우수한 성능을 보이며, 보이지 않는 크기의 고분자 사슬까지 효과적으로 일반화되는 안정적이고 반복 불변적인 표현을 학습한다.
