본 논문은 이산 데이터 모델링에서 주목할 만한 성과를 거둔 Masked Diffusion Models (MDMs)을 분자 생성에 적용하는 연구를 다룬다. 기존 MDM을 단순히 적용하면 성능이 크게 저하되는 현상을 발견하고, 이를 'state-clashing problem'으로 규명한다. 이는 서로 다른 분자들의 forward diffusion 과정이 공통된 상태로 수렴하여, unimodal prediction 기반의 역 확산 과정으로는 학습할 수 없는 재구성 목표들의 혼합을 야기한다. 이 문제를 해결하기 위해, 본 논문에서는 각 요소(원자 및 결합)에 다른 손상 비율을 할당하는 매개변수화된 노이즈 스케줄링 네트워크를 통해 서로 다른 분자 그래프 간의 충돌을 방지하는 Masked Element-wise Learnable Diffusion (MELD)을 제안한다. 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 보여준다.
