기존의 수동으로 만들어진 힘장보다 더 정확한 분자동역학 시뮬레이션을 가능하게 하는 머신러닝 힘장이 큰 가능성을 보여주고 있다. 최근 몇 년간의 발전은 회전, 병진 및 반사에 대한 대칭성과 같은 물리 시스템에 대한 사전 지식을 활용함으로써 이루어졌다. 본 논문에서는 지금까지 탐구되지 않았던 또 다른 중요한 사전 정보, 즉 분자 시스템의 시뮬레이션은 필연적으로 연속적이며 따라서 연속적인 상태들은 매우 유사하다는 점을 제시한다. 본 연구는 최첨단 등변 베이스 모델을 심층 평형 모델(Deep Equilibrium Model, DEQ)로 재구성함으로써 이 정보를 활용할 수 있음을 보여준다. 이를 통해 이전 시간 단계의 중간 신경망 특징을 재활용하여 MD17, MD22 및 OC20 200k 데이터셋에서 비-DEQ 베이스 모델에 비해 정확도와 속도를 10-20% 향상시켰다. 또한 훈련이 훨씬 더 메모리 효율적이어서 더 큰 시스템에서 더욱 표현력 있는 모델을 훈련할 수 있다.
