본 논문은 유기 화학 분야의 주요 과제인 화학 반응 예측에서 기존 기계 학습 모델의 한계점을 해결하기 위해 개발된 ReaDISH 모델을 제시합니다. 기존 모델의 문제점인 입력 순열 민감성 및 반응성을 지배하는 하위 구조적 상호 작용의 부적절한 모델링 문제를 해결하고자, 순열 불변 표현 학습과 상호 작용 인식 기능을 통합했습니다. ReaDISH는 두 가지 혁신적인 기술을 도입합니다: (1) 셔플을 연속 고차원 임베딩으로 표현하는 symmetric difference shingle encoding을 통해 구조적 변화를 포착하고 순서 민감성을 제거하는 differential reaction fingerprint (DRFP) 확장, (2) shingle 수준에서 분자 내 및 분자 간 상호 작용을 모델링하는 geometry-structure interaction attention. 광범위한 실험을 통해 ReaDISH가 다양한 벤치마크에서 반응 예측 성능을 향상시키는 것을 입증했습니다.
