본 논문은 이산 데이터 모델링에서 괄목할 만한 성과를 거둔 Masked Diffusion Models (MDMs)을 분자 생성에 적용하는 가능성을 탐구합니다. 기존 MDM을 단순히 적용하면 성능이 크게 저하되는 현상을 발견하고, 이는 서로 다른 분자들의 순방향 확산 과정이 공통된 상태로 붕괴되는 '상태 충돌' 문제 때문임을 밝힙니다. 이 문제를 해결하기 위해, 각 원소(원자 및 결합)에 다른 손상 비율을 할당하는 매개변수화된 노이즈 스케줄링 네트워크를 사용하여 서로 다른 분자 그래프 간의 충돌을 피하는 Masked Element-wise Learnable Diffusion (MELD)을 제안합니다. 다양한 분자 벤치마크에 대한 실험 결과, MELD는 기존 MDM의 화학적 타당성을 ZINC250K 데이터셋에서 15%에서 93%로 크게 향상시키고, 조건부 생성 작업에서 최첨단 성능을 달성함을 보여줍니다.
