Yapay zeka modelleri ve platformları

NVIDIA, Nemotron for Science’ı ve Açık Kimya Veri Kümesini Tanıttı

Jonas Reeve
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarDoğrulama, paketin temel tasarımıdır çünkü deneysel referanslar ve alan yazılımı…
Daha fazla göster
  • Doğrulama, paketin temel tasarımıdır çünkü deneysel referanslar ve alan yazılımı modelin çıktılarını puanlar.
  • LitmusBench, ölçülen deneysel sonuçları, insan tercihi etiketlemesine olan ihtiyacı ortadan kaldıran otomatik ödüllere dönüştürür.
  • NVIDIA'nın bildirdiği kazanımlar sınırlı görevleri kapsar ve genel laboratuvar özerkliğini tesis etmez.

NVIDIA, Nemotron for Science’ı tanıttı ve 16 Kasım 2026’da açık Nemotron 3.5 Super VL modelini bilimsel değerlendirmeler, eğitim sonrası ince ayar tarifleri ve araştırma ajanlarını eğitmek ve değerlendirmek için yaklaşık 50.000 soru içeren LitmusBench v0.2 kimya veri kümesiyle birlikte sundu.

Paket; CUDA-X ile hızlandırılmış yazılımlar da dâhil olmak üzere bilimsel bilgileri yorumlayan, kod üreten ve hesaplama araçlarını kullanan ajanlar için tasarlandı. Araştırmacılar, genel amaçlı bir görsel-dil sistemini belirli bir bilimsel göreve uyarlayarak kimya deneyleri ve protein tasarımı gibi çalışmalar için modeli alana özgü verilerle eğitim sonrası ince ayardan geçirebilir.

Model kartında, temel modelin Hugging Face’te 15 Ekim 2026’da yayımlandığı belirtiliyor. Kartta ayrıca modelin toplam 120 milyar, etkin 12 milyar parametreye sahip olduğu; metin, görüntü ve video girdilerini kabul ettiği, metin çıktıları ürettiği ve en fazla bir milyon tokenlık bağlam penceresi sunduğu açıklanıyor. Dolayısıyla bu duyurunun yeni içeriğini bilimsel veriler, değerlendirmeler ve özelleştirme tarifleri oluşturuyor.

Model ve veri kümesi Hugging Face’te kullanıma sunuldu. NVIDIA, modeli 128 GB’lık bir DGX Spark sisteminde yerel olarak çalışacak şekilde optimize etti.

Kimya Verileri ve Doğrulanabilir Eğitim

LitmusBench v0.2; çözünürlük ve insan vücudunun molekülleri işleme biçimi gibi özellikleri kapsayan moleküler özelliklerden ve ilaç keşfine ilişkin deneysel verilerden yararlanıyor. Veri kümesi deposunda, kimya, moleküler özellik tahmini ve doğrulanabilir ödüllerle pekiştirmeli öğrenme etiketleri taşıyan İngilizce metin üretimi verileri tanımlanıyor; ayrıca CC-BY-SA-4.0 ve OpenMDW-1.1 lisansları listeleniyor.

NVIDIA’nın teknik kılavuzu, beraberindeki eğitim tarifini açıklıyor. Deneylerden elde edilen CSV kayıtları soru-cevap çiftlerine dönüştürülüyor ve ölçülen sonuçlar otomatik doğrulayıcı olarak kullanılıyor. Böylece insan tercih etiketlemesine gerek kalmadan bir pekiştirmeli öğrenme ortamı oluşturuluyor; puanlama katmanını kemoinformatik araçları, moleküler simülatörler veya faal bir otonom laboratuvar sağlayabiliyor.

Kılavuzdaki ilaç metabolizması örneğinde modele bir ana molekül ve bir enzim veriliyor, ardından modelin ortaya çıkan metaboliti tahmin etmesi isteniyor. Tahmin edilen moleküler parmak izleriyle referans parmak izleri arasındaki örtüşme, sıfır ile bir arasında değişen Tanimoto puanıyla ölçülüyor ve yapısal benzerliğe dayalı bir ödül sağlanıyor. NVIDIA, bu örnekte denetimli ince ayarın doğruluğu %12 artırdığını, pekiştirmeli öğrenmenin ise 16.384 tokenlık çıktı bütçesinde buna ek olarak %17 artış sağladığını bildiriyor.

İsteğe bağlı sıcak başlangıç aşamasında, daha güçlü bir öğretici model akıl yürütme izleri üretiyor ve pekiştirmeli öğrenme öncesinde benzerlik eşiğini karşılayan izler korunuyor; örnekte Anthropic’in Claude Sonnet 5.5 modeli kullanılıyor.

Yaşam Bilimlerinde Görev Düzeyindeki Sonuçlar

Duyurulan uygulamalar; yapılandırılmış kimyasal bilgi çıkarımı, laboratuvar protokolü oluşturma ve terapötik tasarım alanlarını kapsıyor. NVIDIA’nın bildirdiği bu sonuçlar, sınırları belirli görevlerle ilgili olup genel laboratuvar otonomisini kanıtlamıyor.

Terray Therapeutics, bilimsel şemalardan reaktanları, ürünleri ve reaksiyon koşullarını çıkarmak üzere Nemotron’u eğitim sonrası ince ayardan geçirdi. NVIDIA’nın bildirdiğine göre model, RxnScribe testinde, söz konusu kıyaslamanın eşleştirme ölçütlerine göre etiketlenmiş reaksiyonların yaklaşık %76’sını buldu. Bu, yayımlanmış kimya çalışmalarını sentez planlama ve bilimsel ajanlar için yapılandırılmış verilere dönüştürmeye yardımcı oluyor.

Lila Sciences, otomatik laboratuvarlarında yürütülmeye hazır protokoller tasarlamak için Nemotron’u kullandı. NVIDIA’ya göre laboratuvar geri bildirimleriyle yapılan eğitim sonrası ince ayar, ekranlarda ve güneş panellerinde kullanılan nano ölçekli kristaller olan kuantum noktalarının üretimindeki doğruluğu neredeyse iki katına çıkararak %61’e yükseltti. Bu oran, GPT-6 Astra’nın %54’lük sonucuyla karşılaştırıldığında 10–20 kat daha düşük çıkarım maliyetiyle elde edildi.

Therna, ajan tabanlı mRNA terapötik tasarımı üzerinde NVIDIA ile iş birliği yaptı. NVIDIA’ya göre ince ayardan geçirilmiş model, protein ifade aralıklarını tahmin etmede öncü modellerin neredeyse iki katı doğruluk elde etti; ayrıca bilim insanları, karşılaştırmaların %96’sında modelin açıklamalarını temel modelinkilere tercih etti.

Araştırma Uygulamaları ve Yerel Altyapı

Argonne National Laboratory, Nemotron’u kanser ve diğer hastalıklar için protein tabanlı terapötik adayları tasarlayıp değerlendiren çok ajanlı bir sistem olan StructBioReasoner’a entegre ediyor. Jülich Supercomputing Centre da modeli bilimsel keşif ajanlarına entegre ediyor.

KTH Royal Institute of Technology, bozulmuş GROMACS moleküler dinamik kurulumlarını onarmak için bir Nemotron ajanı geliştirdi. NVIDIA’nın bildirdiğine göre ajan, tek bir DGX Spark üzerinde bir gece boyunca yürütülen çalışmada, akıl yürütme etkin durumdayken test vakalarının %81’ini düzeltti; her düzeltme GROMACS tarafından bağımsız olarak kontrol edildi.

RIKEN, 3.5 Super VL dâhil Nemotron modellerini bilimsel araştırmalar ve hızlandırılmış uygulama geliştirme için RiVault çıkarım ağ geçidi üzerinden RIKYU AI süper bilgi işlem platformunda kullanıma sundu. Yerel DGX Spark kurulumlarıyla birlikte bu seçenek, araştırma kuruluşlarının bilimsel iş akışlarını kendi denetimlerindeki altyapıda çalıştırmasına olanak tanıyor.

Birleştirici tasarım ilkesi doğrulamadır: açık model akıl yürütme ve araç kullanma becerileri sunarken deneysel referanslar, laboratuvar geri bildirimleri veya alana özgü yazılımlar modelin çıktılarını puanlar. Bu nedenle görev seçimi, puanlama yönteminin kalitesi ve eğitimde kullanılmamış verilerle değerlendirme, paketin kullanışlılığının temel unsurlarıdır: bir kıyaslamadaki iyileşme, ancak doğrulayıcı araştırmacıların gerçekten elde etmek istediği bilimsel sonucu ölçüyorsa önem taşır.

Jonas Reeve, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; bilişsel yapay zekâyı, yapay genel zekâyı (AGI) ve makine zekâsının kuramsal temellerini inceler. Çalışması, öğrenme, akıl yürütme, hafıza ve soyutlamanın hem biyolojik hem de yapay sistemlerde nasıl ortaya çıktığını inceler, modern AI mimarileri ile bilişsel bilim ve zihin felsefesindeki uzun süredir var olan sorular arasında bağlantılar kurar.

Kavramsal ve yansıtıcı bir yaklaşımla, Jonas akıl yürütme modelleri, ajan sistemleri, ortaya çıkan bilişsel süreçler ve uyum teorisi gibi çerçeveleri inceler; AGI'ye doğru ilerlemenin gerçekte ne anlama geldiğini ve ne anlama gelmediğini açıklamayı amaçlar. Zaman çizelgeleri ya da hype peşinde koşmak yerine, temel ilkelere, kavramsal titizliğe ve mevcut modellerin sınırlamalarına vurgu yapar.

Jonas Reeve tarafından yazılan makaleler AI tarafından üretilir ve Unite.AI'nin editöryal ekibi tarafından doğruluk, açıklık ve gelişmiş AI kavramlarının sorumlu bir şekilde tartışılmasını sağlamak amacıyla gözden geçirilir.