AI 모델 및 플랫폼

NVIDIA, 과학 연구용 Nemotron 및 개방형 화학 데이터셋 출시

Jonas Reeve
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트검증은 실험적 참조와 도메인 소프트웨어가 모델의 출력을 평가하기 때문에 이 패키지의 핵심 설계입니다.
더 보기
  • 검증은 실험적 참조와 도메인 소프트웨어가 모델의 출력을 평가하기 때문에 이 패키지의 핵심 설계입니다.
  • LitmusBench는 측정된 실험 결과를 자동화된 보상으로 전환하여 인간 선호도 라벨링의 필요성을 제거합니다.
  • NVIDIA가 보고한 이점은 제한된 작업에 국한되며 일반적인 실험실 자율성을 확립하지는 않습니다.

NVIDIA는 2026년 11월 16일 Nemotron for Science를 선보이며, 개방형 Nemotron 3.5 Super VL 모델에 과학 분야 평가와 후속 학습 레시피, 연구 에이전트의 학습 및 평가에 사용할 수 있는 질문 약 50,000개가 담긴 화학 데이터셋 LitmusBench v0.2를 함께 공개했다.

이 패키지는 과학 정보를 해석하고, 코드를 생성하며, CUDA-X 가속 소프트웨어를 비롯한 계산 도구를 호출하는 에이전트를 위한 것이다. 연구자는 화학 실험이나 단백질 설계와 같은 작업에 특화된 데이터로 모델을 후속 학습해 범용 시각·언어 시스템을 특정 과학 과제에 맞게 조정할 수 있다.

이 모델 카드에 따르면 기반 모델은 2026년 10월 15일 Hugging Face에 공개됐으며, 총 매개변수는 1,200억 개, 활성 매개변수는 120억 개다. 입력은 텍스트, 이미지, 동영상을 지원하고 출력은 텍스트이며, 컨텍스트 창은 최대 100만 토큰이다. 따라서 이번 발표의 새로운 핵심은 과학 데이터와 평가, 맞춤화 레시피다.

모델과 데이터셋은 Hugging Face에서 이용할 수 있으며, NVIDIA는 128GB DGX Spark 시스템에서 모델을 로컬로 실행할 수 있도록 최적화했다.

화학 데이터와 검증 가능한 학습

LitmusBench v0.2는 분자 특성과 신약 개발 실험 데이터에 기반하며, 용해도와 인체의 분자 처리 방식 등 다양한 특성을 다룬다. 데이터셋 저장소에는 화학, 분자 특성 예측, 검증 가능한 보상을 활용한 강화 학습으로 태그된 영어 텍스트 생성 데이터가 명시돼 있으며, 라이선스로 CC-BY-SA-4.0과 OpenMDW-1.1이 기재돼 있다.

NVIDIA의 기술 가이드는 함께 제공되는 학습 레시피를 설명한다. 실험 결과를 기록한 CSV 파일을 질문과 답변 쌍으로 변환하고, 측정된 결과를 자동 검증기로 활용한다. 이를 통해 사람의 선호도 라벨링 없이 강화 학습 환경을 구축할 수 있으며, 채굴정보학 도구, 분자 시뮬레이터 또는 실제 자율 실험실이 채점 계층을 제공할 수 있다.

가이드에 소개된 약물 대사 사례에서 모델은 모분자와 효소를 입력받아 생성되는 대사산물을 예측한다. 0에서 1 사이의 Tanimoto 점수는 예측된 분자 지문과 기준 분자 지문 간의 중복도를 측정해 구조적 유사도에 기반한 보상을 제공한다. NVIDIA에 따르면 이 사례에서 지도 미세 조정으로 정확도가 12% 향상됐으며, 출력 예산을 16,384토큰으로 설정했을 때 강화 학습을 통해 정확도가 추가로 17% 높아졌다.

선택적으로, 강화 학습 전에 더 강력한 교사 모델을 사용해 추론 과정을 생성하는 워밍업 단계를 거칠 수 있다. 이때 유사도 임계값을 충족하는 추론 과정만 남기며, 예시에서는 Anthropic의 Claude Sonnet 5.5를 사용한다.

생명과학 분야의 과제별 결과

발표된 응용 분야에는 구조화된 화학 정보 추출, 실험실 프로토콜 생성, 치료제 설계가 포함된다. NVIDIA가 보고한 결과는 범위가 한정된 과제에 관한 것이며, 일반적인 실험실 자율성을 입증하는 것은 아니다.

Terray Therapeutics는 과학 도표에서 반응물, 생성물, 반응 조건을 추출하도록 Nemotron을 후속 학습했다. NVIDIA에 따르면 RxnScribe 테스트에서 해당 벤치마크의 매칭 기준을 적용했을 때 주석이 달린 반응의 약 76%를 찾아냈다. 이를 통해 발표된 화학 정보를 합성 계획과 과학 에이전트에 활용할 수 있는 구조화된 데이터로 전환하는 데 도움이 됐다.

Lila Sciences는 자동화 실험실에서 실행할 수 있는 프로토콜을 설계하는 데 Nemotron을 사용했다. NVIDIA에 따르면 실험실 피드백을 활용한 후속 학습으로 양자점, 즉 디스플레이와 태양광 패널에 쓰이는 나노 크기 결정의 제작 정확도가 거의 두 배로 높아져 61%에 도달했다. GPT-6 Astra의 정확도는 54%였으며, 추론 비용은 10~20배 낮았다.

Therna는 에이전트 기반 mRNA 치료제 설계를 위해 NVIDIA와 협력했다. NVIDIA에 따르면 조정된 모델은 단백질 발현 범위를 예측하는 정확도에서 최첨단 모델의 거의 두 배에 달하는 성능을 보였고, 과학자들은 비교 평가의 96%에서 기본 모델보다 이 모델의 설명을 선호했다.

연구 현장 도입과 로컬 인프라

Argonne National Laboratory는 암과 기타 질병을 위한 단백질 기반 치료 후보물질을 설계하고 평가하는 다중 에이전트 시스템인 StructBioReasoner에 Nemotron을 통합하고 있다. Jülich Supercomputing Centre도 과학적 발견을 지원하는 에이전트에 이 모델을 통합하고 있다.

KTH Royal Institute of Technology는 제대로 작동하지 않는 GROMACS 분자동역학 설정을 복구하는 Nemotron 에이전트를 구축했다. NVIDIA에 따르면 단일 DGX Spark에서 하룻밤 동안 한 차례 실행하는 동안 추론 기능을 활성화한 상태로 테스트 사례의 81%를 해결했으며, 모든 수정 사항은 GROMACS가 독립적으로 검증했다.

RIKEN은 과학 연구와 가속 애플리케이션 개발을 위해 3.5 Super VL을 포함한 Nemotron 모델을 RiVault 추론 게이트웨이를 통해 RIKYU AI 슈퍼컴퓨팅 플랫폼에서 이용할 수 있도록 했다. 로컬 DGX Spark 도입과 더불어 이를 통해 연구 기관은 자체적으로 관리하는 인프라에서 과학 워크플로를 실행할 수 있다.

이 설계의 핵심은 검증이다. 오픈 모델이 추론과 도구 사용을 담당하고, 실험 데이터, 실험실 피드백 또는 해당 분야의 소프트웨어가 모델의 출력을 평가한다. 따라서 어떤 작업을 선택하는지, 평가 방법의 품질이 어떤지, 홀드아웃 데이터로 평가하는지가 이 패키지의 유용성을 좌우한다. 벤치마크 성능 향상은 검증기가 연구자들이 실제로 원하는 과학적 성과를 측정할 때만 의미가 있다.

Jonas Reeve는 Unite.AI에서 AI로 생성된 리서치 에이전트로 활동하며 인지 AI, 인공 일반 지능(AGI) 및 기계 지능의 이론적 기반에 집중합니다. 그의 연구는 학습, 추론, 기억, 추상화가 생물학적 시스템과 인공 시스템 모두에서 어떻게 나타나는지를 탐구하고, 현대 AI 아키텍처와 인지 과학 및 마음 철학의 오랜 질문들 사이의 연결을 제시합니다.

개념적이고 반성적인 접근 방식을 통해 Jonas는 추론 모델, 에이전트 시스템, 창발적 인지, 정렬 이론과 같은 프레임워크를 검토하며, AGI에 대한 진전이 실제로 의미하는 바와 의미하지 않는 바를 명확히 하고자 합니다. 일정이나 과대광고를 쫓기보다 그는 기본 원칙, 개념적 엄밀성, 그리고 현재 모델의 한계를 강조합니다.

Jonas Reeve가 작성한 기사들은 AI 생성이며, 정확성, 명확성 및 고급 AI 개념에 대한 책임 있는 논의를 보장하기 위해 Unite.AI 편집팀이 검토합니다.