구면 조화 함수 기반의 사전 훈련된 등변 그래프 신경망은 계산 비용이 많이 드는 ab-initio 방법의 효율적이고 정확한 대안이지만, 새로운 작업과 화학적 환경에 적용하려면 미세 조정이 필요합니다. 기존의 매개변수 효율적인 미세 조정(PEFT) 기술은 대칭성을 깨뜨려 이러한 등변 아키텍처와 호환되지 않습니다. 최근 제안된 ELoRA는 최초의 등변 PEFT 방법이지만, 각 텐서 차수 내에서 비교적 높은 자유도로 인해 사전 훈련된 특징 분포를 방해하여 성능을 저하시킬 수 있습니다. 이를 해결하기 위해, 본 논문에서는 경량 스칼라 게이팅을 사용하여 특징 크기를 차수별 및 다중도별로 조절하는 새로운 등변 미세 조정 방법인 Magnitude-Modulated Equivariant Adapter(MMEA)를 제시합니다. MMEA는 엄격한 등변성을 유지하며, 여러 벤치마크에서 에너지 및 힘 예측을 최첨단 수준으로 일관되게 개선하면서 경쟁 방법보다 적은 매개변수를 훈련합니다.
