この記事では、グラフニューラルネットワーク（GNN）を用いた化学特性予測の精度を向上させるための新しい手法「層間知識混合（LKM）」を紹介しています。現在のGNNは分子特性を予測する際に非常に効果的ですが、より高精度なモデルが必要とされています。LKMは、既存のGNN層の隠れ特徴量の平均絶対距離を最小化することで、情報の効率的な集約を実現し、局所的および全体的な分子特徴の表現を改善します。研究では、DimeNet++、MXMNet、PAMNetという3つの異なるGNNアーキテクチャを使用し、量子化学特性のデータセットで評価を行ったところ、QM9で最大9.8%、MD17エネルギーで最大45.3%、Chignolinで最大22.9%の誤差を削減できることがわかりました。LKMは、トレーニングと推論の計算コストに大きな影響を与えず、GNNの精度を大幅に向上させる可能性を示しています。