본 논문은 기존 머신러닝 모델의 해석력 및 정확도 한계를 극복하여 나노다공성 물질의 설계를 가속화하는 새로운 3차원 주기적 공간 샘플링 방법을 제시한다. 이 방법은 거대 나노다공성 구조를 국부적인 기하학적 사이트로 분해하여 성질 예측과 사이트별 기여도 정량화를 동시에 수행한다. 구축된 데이터베이스와 검색된 데이터셋으로 훈련된 모델은 기체 저장, 분리, 전기 전도성 등 다양한 성질 예측에서 최첨단 정확도와 데이터 효율성을 달성한다. 또한, 예측 결과 해석을 가능하게 하고, 특정 성질에 중요한 국부적 사이트를 정확하게 식별할 수 있다. 다양한 나노다공성 구조에서 전이 가능한 고성능 사이트를 식별함으로써, 해석 가능하고 대칭성을 고려한 나노다공성 물질 설계의 길을 열어주며, 분자 결정체 등 다른 물질에도 확장 가능하다.
