확산 모델(Diffusion models)은 3D 분자 생성 분야에서 광범위하게 채택되었지만, 생성된 분자가 낮은 품질일 가능성이 언제인지에 대한 원칙적인 신호를 제공하지는 않습니다. 우리는 사전 학습된 분자 확산 모델에서 샘플별 불확실성을 추정하기 위한 사후(post-hoc) 방법을 제안합니다. 노이즈 제거 네트워크의 라플라스 근사(Laplace approximation)를 기반으로, 생성 궤적 전반에 걸쳐 노이즈 예측의 가변성(variability)을 측정합니다. 실험적으로, 우리가 얻은 불확실성 점수가 샘플 품질에 대한 정보를 제공하며, 기존의 샘플 수준 품질 지표와 음의 상관관계를 보임을 보여줍니다. 나아가 우리는 제안된 불확실성 점수를 사용하여 생성된 샘플을 필터링하는 방법을 연구하고, 이를 통해 테스트 시간 스케일링(test-time scaling)으로 모델 성능을 향상시킬 수 있음을 보여줍니다.