연구진은 공간적 변수를 다루는 확률 추론에서 $SE(3)$ 대칭성을 고려하는 새로운 프레임워크인 Equivariant Neural Belief Propagation (ENBP)을 소개했어요. ENBP는 기존 네트워크의 한계를 극복하고, 순수한 스칼라/벡터 출력을 넘어 랭크-2 정밀 텐서로 불확실성을 표현하고 다중 모드 에너지 경관을 유지합니다.
GEOM-QM9 및 GEOM-Drugs 데이터셋에서 ENBP는 0.090 Å 오차로 98.9%의 구조적 커버리지를 달성하며, 기존 디퓨전 기반 모델보다 100배 빠른 속도를 보였어요. 이는 복잡한 분자 구조 예측 성능을 향상시키는 중요한 진전입니다.
다중 로봇 시스템 추론에서는 기존 루프 BP가 15개 이상의 에이전트에서 발산하는 반면, ENBP는 충돌률을 최소화하고 기계 정밀 수준의 대칭성 오차를 달성하여 안정적인 추론을 가능하게 합니다.