약물 발견을 넘어서: 나노기술 분자 최적화 (NMO) 벤치마크

초록

생성적 분자 설계는 약물 유사 특성에 대한 단순한 대리 벤치마크와 대규모 제약 데이터셋에서 사전 훈련된 모델에 의해 형성됩니다. 이러한 조합은 강력한 벤치마크 지표를 산출하지만, 약물 발견과 구조적으로 다른 도메인으로의 전이성을 제한합니다. 이러한 한계를 극복하고 발견을 실제적이고 과학적으로 근거한 목표로 이끌기 위해, 우리는 기계 학습(ML)과 양자 재료 과학을 연결하는 나노기술 분자 최적화(NMO) 벤치마크를 소개합니다. NMO는 ML 커뮤니티를 위한 엄격한 테스트베드이자 동시에 나노기술 연구를 위한 발견 엔진 역할을 합니다. 이 제품군은 대리 오라클을 양자 시뮬레이션으로 대체하고, 리더보드 지향 과적합보다 과학적 유용성을 우선시하는 엄격한 프로토콜을 도입합니다. 물리 기반 NMO 작업은 엄격한 구조적 제약과 거친 적합도 풍경을 부과하여 생성 모델에 근본적으로 새로운 요구 사항을 제기합니다. 특히, 고급 분자 최적화 방법은 NMO 작업에서 훨씬 간단한 접근 방식보다 성능이 떨어집니다. 우리는 구조적 제약을 모델링하기 위한 새로운 표현과 제약 데이터셋 편향을 제거하기 위한 도메인 불가지론적 사전 훈련 전략을 포함하여 NMO 작업을 해결하기 위한 핵심 구성 요소를 식별하는 새로운 기준 방법을 개발합니다. 우리의 결과는 최첨단 물리적 특성을 능가하고 이전에 알려지지 않은 구조적 모티프를 밝혀내어, 나노기술 커뮤니티에 새로운 통찰력을 제공하고 ML이 진정한 과학적 발견을 추진할 수 있음을 입증합니다.

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.