생성형 분자 설계 (Generative molecular design)는 약물 유사성 (drug-like properties)을 측정하는 단순한 대리 벤치마크 (proxy benchmarks)와 대규모 제약 데이터셋으로 사전 학습된 (pretrained) 모델들에 의해 형성되어 왔습니다. 이러한 조합은 강력한 벤치마크 지표를 산출하지만, 신약 개발과 구조적으로 구별되는 영역으로의 전이 가능성 (transferability)을 제한합니다. 이러한 한계를 극복하고 발견을 실제적이며 과학적 근거가 있는 목표로 이끌기 위해, 우리는 머신러닝 (ML)과 양자 재료 과학 (quantum materials science)을 연결하는 나노기술 분자 최적화 (Nanotechnology Molecular Optimization, NMO) 벤치마크를 소개합니다. NMO는 머신러닝 (ML) 커뮤니티를 위한 엄격한 테스트베드 (testbed)인 동시에 나노기술 연구를 위한 발견 엔진 (discovery engine) 역할을 수행합니다. 이 제품군은 대리 오라클 (proxy oracles)을 양자 시뮬레이션 (quantum simulations)으로 대체하며, 리더보드 지향적인 과적합 (overfitting)보다 과학적 유용성을 우선시하는 엄격한 프로토콜을 도입합니다. 물리 기반의 NMO 태스크는 강력한 구조적 제약 (structural constraints)과 험난한 적합도 지형 (rugged fitness landscapes)을 부과하여, 생성 모델 (generative models)에 근본적으로 새로운 요구 사항을 제시합니다. 특히, 고급 분자 최적화 방법론들이 NMO 태스크에서는 훨씬 더 단순한 접근 방식보다 낮은 성능을 보입니다. 우리는 구조적 제약을 모델링하기 위한 새로운 표현법 (representation)과 제약 데이터셋 편향을 제거하기 위한 도메인 불가지론적 (domain-agnostic) 사전 학습 전략을 포함하여, NMO 태스크를 해결하기 위한 핵심 구성 요소를 식별하는 새로운 베이스라인 방법을 개발했습니다. 우리의 결과는 최첨단 (state-of-the-art) 물리적 특성을 능가하며 이전에 알려지지 않았던 구조적 모티프 (structural motifs)를 밝혀냄으로써, 나노기술 커뮤니티에 새로운 통찰력을 제공하고 머신러닝 (ML)이 진정한 과학적 발견을 주도할 수 있음을 입증합니다.