본 논문은 고분자의 구조를 효과적으로 표현하는 새로운 그래프 신경망 방법인 Graph Repetition Invariance (GRIN)을 제안합니다. 기존 방법들이 고분자의 반복 단위 수에 따라 일관되지 않은 벡터 표현을 생성하는 문제점을 해결하기 위해, 그래프 기반 최대 신장 트리 정렬과 반복 단위 증강을 통합하여 구조적 일관성을 보장합니다. 이론적으로 최적의 불변 표현 학습에 필요한 최소 증강 단위가 3개임을 증명하고, 다양한 크기의 균일 고분자와 비균일 고분자 벤치마크에서 기존 최고 성능 모델들을 능가하는 결과를 보입니다. GRIN은 크기가 다른 고분자 사슬에도 효과적으로 일반화되는 안정적이고 반복 불변 표현을 학습합니다.
