SpecCal: 불확실성 인지 후보 보정: 적외선 스펙트럼 기반 분자 구조 재구성

SpecCal: Ambiguity-Aware Candidate Calibration for Infrared Spectrum-Based Molecular Structure Reconstruction

적외선(IR) 스펙트럼으로부터 분자 구조를 추론하는 것은 근본적이면서도 어려운 문제입니다. 주요 어려움은 IR 스펙트럼이 제한적인 구조 정보를 제공한다는 점입니다. 서로 다른 분자는 유사한 작용기 및 국소 진동 패턴을 공유하여 매우 유사한 스펙트럼 반응을 나타낼 수 있습니다. 따라서 관측된 스펙트럼이 고유한 기본 구조를 가지고 있더라도, 해당 스펙트럼으로부터 이를 재구성하는 것은 여전히 모호합니다. 기존의 IR-to-molecule 모델은 일반적으로 순위가 매겨진 후보 분자 집합을 생성하지만, 이 집합은 주로 모델이 학습한 생성 선호도에 의해 크게 결정되며, 관측된 스펙트럼 제약 조건을 가장 잘 충족하는 구조를 완전히 포착하지 못할 수 있습니다. 이러한 제한 사항을 해결하기 위해, IR-to-molecule 예측을 위한 훈련 불필요한 후보 보정 프레임워크인 SpecCal을 제안합니다. SpecCal은 기존 기본 모델의 후보 출력에 작동하며, 현재 후보를 재순위화하고 스펙트럼 일관성을 기반으로 추가적인 구조적으로 타당한 대안을 도입하여 예측 집합을 개선합니다. 이 프레임워크는 플러그 앤 플레이 방식으로 설계되었으며 모델에 구애받지 않아 다양한 기본 모델과의 통합에 매개변수 업데이트가 필요하지 않습니다. 여러 벤치마크에서의 실험 결과, SpecCal은 다양한 기본 모델에서 SMILES 및 골격 수준 모두에서 top-k 재구성을 일관되게 개선하는 것으로 나타났습니다. 추가 분석을 통해 스펙트럼 불확실성 하에서 후보 집합을 보정하면 IR 스펙트럼으로부터 분자 구조를 개선하는 실용적인 방법이 될 수 있음을 보여줍니다. 코드는 다음 주소에서 사용할 수 있습니다: https://anonymous.4open.science/r/SpecCal-B18A.

Inferring molecular structures from infrared (IR) spectra is a fundamental yet challenging problem. A key difficulty is that an IR spectrum provides limited structural information: different molecules may share similar functional groups and local vibrational patterns, leading to highly similar spectral responses. Thus, even when an observed spectrum has a unique underlying structure, reconstructing it from the spectrum remains ambiguous. Existing IR-to-molecule models usually generate a ranked set of candidate molecules, but this set is largely determined by the model's learned generation preference and may not fully capture the structures that best satisfy the observed spectral constraints. To address this limitation, we propose SpecCal, a training-free candidate calibration framework for IR-to-molecule prediction. SpecCal operates on the candidate outputs of existing base models and improves the prediction set by re-ranking current candidates while introducing additional structurally plausible alternatives guided by spectral consistency. The framework is plug-and-play and model-agnostic, requiring no parameter updates for integration with diverse base models. Experiments on multiple benchmarks show that SpecCal consistently improves top-k reconstruction at both SMILES and scaffold levels across different base models. Further analyses demonstrate that calibrating candidate sets under spectral ambiguity provides a practical way to improve molecular reconstruction from IR spectra. The code is available at: https://anonymous.4open.science/r/SpecCal-B18A.