본 논문은 약물 개발 및 에너지 저장 물질 설계 등 다양한 과학 분야에서 필수적인 분자 특성 예측에 초점을 맞추고 있다. 기존의 높은 정확도를 가진 머신러닝 모델들은 해석력이 부족한 경우가 많다는 점을 지적하며, 높은 예측 정확도와 함께 분자의 네 가지 하위 구조(원자, 결합, 분자 단편, 단편 간 연결)에 대한 통찰력을 제공하는 그래프 신경망(Graph Neural Network)을 제시한다. 특히, 표준 결합으로 연결되지 않은 하위 구조를 가진 분자에서 단편 간 연결의 중요성을 파악하는 데 유용하며, 특정 단편의 영향을 정량화하여 특성 값을 개선하거나 저하시키는 단편을 식별할 수 있다. 이러한 해석 가능한 특징은 모델이 학습한 분자 구조와 특성 간의 관계에서 과학적 통찰력을 얻는 데 필수적이다.
