AIモデルとプラットフォーム
NVIDIA、Nemotron for Scienceとオープンな化学データセットを発表

要点検証は、実験的な参照とドメインソフトウェアがモデルの出力を採点するため、このパッケージの中心的な設計です。
もっと見る
- 検証は、実験的な参照とドメインソフトウェアがモデルの出力を採点するため、このパッケージの中心的な設計です。
- LitmusBenchは、測定された実験結果を自動化された報酬に変換し、人間による選好ラベリングの必要性を排除します。
- NVIDIAが報告した向上は限られたタスクに留まり、一般的な実験室の自律性を確立するものではありません。
NVIDIAは2026年11月16日、Nemotron for Scienceを発表しました。オープンモデルのNemotron 3.5 Super VLに、科学分野の評価、事後学習用レシピ、研究エージェントの訓練と評価に使う約5万件の質問を収録した化学データセットLitmusBench v0.2を組み合わせています。
このパッケージは、科学情報の解釈、コードの生成、CUDA-Xで高速化されたソフトウェアを含む計算ツールの呼び出しを行うエージェントを想定しています。研究者は化学実験やタンパク質設計などの作業に合わせ、分野固有のデータでモデルを事後学習させることで、汎用の視覚言語システムを特定の科学タスクに適応させられます。
モデルカードによると、基盤モデルは2026年10月15日にHugging Faceで公開されました。総パラメーター数は1,200億、アクティブパラメーター数は120億で、テキスト、画像、動画を入力でき、テキストを出力します。コンテキストウィンドウは最大100万トークンです。したがって、今回の発表で新たに加わったのは、科学分野のデータ、評価、カスタマイズ用レシピです。
モデルとデータセットはHugging Faceで公開されており、NVIDIAは128GBのDGX Sparkシステム上でローカル実行できるようモデルを最適化しています。
化学データと検証可能な学習
LitmusBench v0.2は、分子の特性や創薬に関する実験データを基にしており、溶解度や人体による分子の処理のされ方などを扱います。データセットのリポジトリには、化学、分子特性の予測、検証可能な報酬を用いた強化学習のタグが付いた英語のテキスト生成データが掲載され、ライセンスとしてCC-BY-SA-4.0とOpenMDW-1.1が記載されています。
NVIDIAの技術ガイドでは、付属するレシピを解説しています。実験結果を記録したCSVデータを質疑応答のペアに変換し、測定結果を自動検証器として利用します。これにより、人による選好ラベル付けなしで強化学習の環境を構築できます。採点レイヤーには、ケモインフォマティクスツール、分子シミュレーター、または稼働中の自律型ラボを利用できます。
ガイドにある薬物代謝の例では、モデルは元となる分子と酵素を受け取り、そこから生じる代謝物を予測します。0から1の範囲を取るタニモト係数で、予測された分子フィンガープリントと参照データの重なりを測定し、構造の類似度に基づいて報酬を与えます。NVIDIAによると、この例では教師あり微調整によって精度が12%向上し、出力上限を16,384トークンとした場合、強化学習によってさらに17%向上しました。
任意で、より高性能な教師モデルを使って推論過程のトレースを生成するウォームスタートも実施できます。強化学習の前に、類似度のしきい値を満たしたトレースだけを残します。この例ではAnthropicのClaude Sonnet 5.5を使用しています。
ライフサイエンス分野のタスク別成果
発表された用途は、化学情報の構造化抽出、実験プロトコルの生成、治療法の設計に及びます。NVIDIAが報告したこれらの成果は範囲を限定したタスクに関するものであり、汎用的な実験室の自律運用を実証するものではありません。
Terray Therapeuticsは、科学図表から反応物、生成物、反応条件を抽出するためにNemotronを事後学習させました。NVIDIAによると、RxnScribeテストで、そのベンチマークの照合基準に基づき、注釈付き反応の約76%を再現しました。これにより、公開済みの化学情報を、合成計画や科学エージェント向けの構造化データに変換しやすくなります。
Lila SciencesはNemotronを使い、自動化ラボで実行できるプロトコルを設計しました。NVIDIAによると、ラボからのフィードバックを用いた事後学習により、量子ドット(ディスプレーや太陽光パネルに使われるナノスケールの結晶)の作製精度はほぼ倍増し、61%に達しました。GPT-6 Astraの54%を上回り、推論コストは10~20分の1でした。
ThernaはNVIDIAと協力し、エージェント型のmRNA治療法設計に取り組みました。NVIDIAによると、調整済みモデルはタンパク質発現量の範囲を予測する精度で最先端モデルのほぼ2倍を達成し、比較の96%で科学者はベースモデルよりも同モデルの説明を支持しました。
研究機関での導入とローカルインフラ
Argonne National Laboratoryは、がんやその他の疾患に対するタンパク質ベースの治療候補を設計・評価するマルチエージェントシステムStructBioReasonerにNemotronを組み込んでいます。Jülich Supercomputing Centreも、科学的発見を支援するエージェントに同モデルを組み込んでいます。
KTH Royal Institute of Technologyは、動作しなくなったGROMACS分子動力学シミュレーション環境を修復するNemotronエージェントを開発しました。NVIDIAによると、DGX Spark 1台で一晩にわたって実行したところ、推論機能を有効にした状態でテストケースの81%を修復し、すべての修復結果をGROMACSが個別に検証しました。
RIKENは、3.5 Super VLを含むNemotronモデルを、科学研究と高速化アプリケーションの開発向けに、RiVault推論ゲートウェイを通じてスーパーコンピューティング基盤RIKYU AIで利用可能にしました。ローカルのDGX Sparkへの導入とあわせて、これにより研究機関は、自ら管理するインフラ上で科学ワークフローを実行できるようになります。
一貫した設計思想の核にあるのは検証です。オープンモデルが推論とツール利用を担い、実験データ、研究室からのフィードバック、または専門分野向けソフトウェアがその出力を評価します。そのため、タスクの選定、評価手法の質、ホールドアウト評価が、このパッケージの有用性を左右する重要な要素となります。ベンチマークの向上に意味があるのは、検証手段が研究者の実際に求める科学的成果を測定できる場合に限られます。












