본 논문은 분자 데이터의 제한된 가용성으로 인해 일반화 능력이 제한되는 GNN(Graph Neural Networks)의 문제점을 해결하기 위해, 분자 내 퍼텐셜 및 힘 이론에 기반한 새로운 자기 지도 학습 방법인 EMPP(Equivariant Masked Position Prediction)를 제안합니다. EMPP는 기존의 속성 마스킹 기법과 달리, 보다 명확하게 정의된 위치 예측 태스크를 통해 양자 역학적 특징 학습을 향상시키고, 잡음 제거 방법에서 일반적으로 사용되는 가우시안 혼합 분포의 근사를 피함으로써 물리적 특성을 더 정확하게 학습합니다. 실험 결과, EMPP는 기존 최첨단 자기 지도 학습 방법들을 능가하는 성능 향상을 보였으며, 코드는 깃허브(https://github.com/ajy112/EMPP)에 공개되었습니다.
