Más allá del descubrimiento de fármacos: El Benchmark de Optimización Molecular Nanotecnológica (NMO)

Resumen

El diseño molecular generativo se configura mediante puntos de referencia proxy simples para propiedades similares a fármacos y modelos entrenados previamente en grandes conjuntos de datos farmacéuticos. Esta combinación produce métricas de referencia sólidas, pero limita la transferibilidad a dominios estructuralmente distintos del descubrimiento de fármacos. Para superar esta limitación e impulsar el descubrimiento hacia objetivos reales y científicamente fundamentados, presentamos el Punto de Referencia de Optimización Molecular en Nanotecnología (NMO), que conecta el aprendizaje automático (ML) con la ciencia de materiales cuánticos. NMO actúa simultáneamente como un banco de pruebas riguroso para la comunidad de ML y como un motor de descubrimiento para la investigación en nanotecnología. El conjunto reemplaza los oráculos proxy con simulaciones cuánticas e introduce protocolos estrictos que priorizan la utilidad científica sobre el sobreajuste orientado al ranking. Las tareas de NMO basadas en física imponen restricciones estructurales estrictas y paisajes de aptitud accidentados, lo que plantea requisitos fundamentalmente nuevos para los modelos generativos. En particular, los métodos avanzados de optimización molecular obtienen un rendimiento inferior al de enfoques mucho más simples en las tareas de NMO. Desarrollamos un nuevo método de referencia que identifica los componentes críticos para resolver las tareas de NMO, incluyendo una representación novedosa para modelar restricciones estructurales y una estrategia de preentrenamiento independiente del dominio para eliminar el sesgo de los conjuntos de datos farmacéuticos. Nuestros resultados superan las propiedades físicas de última generación y revelan motivos estructurales previamente desconocidos, ofreciendo nuevas perspectivas para la comunidad de nanotecnología y demostrando que el ML puede impulsar un descubrimiento científico genuino.

English

Generative molecular design is shaped by simple proxy benchmarks for drug-like properties and models pretrained on large pharmaceutical datasets. This combination yields strong benchmark metrics but limits transferability to domains structurally distinct from drug discovery. To overcome this limitation and drive discovery toward real, scientifically grounded targets, we introduce the Nanotechnology Molecular Optimization (NMO) Benchmark, which bridges machine learning (ML) and quantum materials science. NMO acts simultaneously as a rigorous testbed for the ML community and a discovery engine for nanotechnology research. The suite replaces proxy oracles with quantum simulations and introduces strict protocols that prioritize scientific utility over leaderboard-oriented overfitting. The physics-based NMO tasks impose hard structural constraints and rugged fitness landscapes, posing fundamentally new requirements on generative models. Notably, advanced molecular optimization methods underperform much simpler approaches on the NMO tasks. We develop a new baseline method identifying the critical components to solve the NMO tasks, including a novel representation for modeling structural constraints and a domain-agnostic pretraining strategy to eliminate pharmaceutical dataset bias. Our results surpass state-of-the-art physical properties and reveal previously unknown structural motifs, offering new insights for the nanotechnology community and demonstrating that ML can drive genuine scientific discovery.