NVIDIA、Nemotronを科学向けに 化学の約5万問と調整法を公開
執筆・監修: 佐々木 航公開 更新 5 分で読めます
量子ドットを作る手順を考えさせると、正答率は61%。GPT-6 Astraの54%を上回り、推論の費用は10〜20分の1でした。米国のLila Sciencesが、NVIDIAが重みを公開するNemotron 3.5 Super VLを、自社の実験室で得た結果で追加で学習させたときの数字です。量子ドットは、画面や太陽電池に使うナノサイズの結晶です。
NVIDIAは11月16日、こうした使い方を研究者に広げる「Nemotron for Science」を発表しました。中身は3つ。Nemotron 3.5 Super VLと、化学の推論を鍛える新しいデータセット「LitmusBench v0.2」、自分の分野に合わせてモデルを追加で学習させる手順(レシピ)です。データセットはHugging Faceで公開されました。
追加で学習させた4つの例
| 使った団体 | 課題と結果 |
|---|---|
| Lila Sciences | 自動化した実験室で使う、量子ドットの合成の手順づくり。実験室の結果で学習させると、正答率がほぼ2倍の61%にGPT-6 Astraは54%。推論の費用は10〜20分の1 |
| Terray Therapeutics | 論文の図から、反応に使う物質、できる物質、反応の条件を読み取る。RxnScribeの試験で、注釈の付いた反応の約76%を復元2つのベンチマークで、これまでに発表された結果を上回った |
| Therna Biosciences | mRNA医薬の設計で、たんぱく質がどれだけ作られるかの範囲を予測。最先端のモデルと比べ、正答率がほぼ2倍研究者は、元のモデルとの比較の96%で、こちらの説明を選んだ |
| KTHスウェーデン王立工科大学 | 壊れた分子動力学(GROMACS)の設定を、エージェントが自分で直す。DGX Spark 1台で一晩動かし、試験の81%を修正推論を有効にしたとき。修正はGROMACS自身で確かめた |
数字は、NVIDIAの発表にある各団体の結果です。課題ごとに比べる相手や測り方が違うため、団体のあいだでは比べられません。
実験室の手順づくりそのものなら、追加で学習させなくても最先端のモデル並みだった、とLila Sciencesは説明します。米国のアルゴンヌ国立研究所も、がんなどの治療に向けて、たんぱく質を使う薬の候補を設計し、評価するエージェント群にNemotronを組み込み始めました。ドイツのユーリッヒ・スーパーコンピューティング・センターも同じです。
約5万問の化学のデータと、鍛え方の手順
LitmusBench v0.2は、化学の推論を学ばせ、評価するためのデータセットです。Hugging Faceの説明では、学習用が4万7,100問、確認用が2,060問。分子の性質や、薬を探す実験で得たデータをもとに、水への溶けやすさや、体の中での処理のされ方を問います。問題は英語で、ライセンスはCC BY-SA 4.0とOpenMDW 1.1です。
手順は、薬の代謝を予測する課題を例に、NVIDIAの技術ブログが説明しました。元の物質と酵素を渡し、代謝でできる物質を答えさせるものです。CSVにある実験の記録を問題と正解の組に直し、答えが正解にどれだけ近いかを自動で採点します。人が良し悪しを付ける作業は要りません。採点の仕組みはNeMo Gymで組み、強化学習はNeMo RLで回します。
この例では、教師データで学習させると正答率が12%上がり、強化学習でさらに17%伸びました。ブログは、強化学習の前に、強いモデルの解き方をまねさせる段階も紹介しました。手本はAnthropicのClaude Sonnet 5.5。1,934問を解かせ、正解に十分近かった1,123問の解き方だけを残す方法です。
理研のスパコンでも使える
日本の研究者には、理化学研究所の動きが身近です。理研は、AI向けのスーパーコンピューターの基盤「RIKYU」で、Nemotron 3.5 Super VLなどのNemotronのモデルを使えるようにしました。研究者は推論の窓口「RiVault」から呼び出し、研究や、計算を速くするアプリの開発に使えます。
重みはHugging Faceで公開済みで、メモリー128GBのDGX Spark 1台で動くよう調整済みです。総パラメーターは1,200億で、1回に使うのは120億のMoEです。対応する言語には日本語も入ります(SageMakerでの提供の記事)。同じ日にNVIDIAは、エージェントが呼び出す科学計算の部品(CUDA-Xのライブラリ)も広げました。例えば、プラズマのシミュレーションの途中で結果を読み取る部品は、Nemotronで動くエージェントと同じ機械で組み合わせられます。結果を見ながら、シミュレーションの進め方を変える使い方です。
狭い課題なら、手元のデータで最先端に届く
ここからは編集部の見方です。表の4つは、どれも課題を1つに絞り、手元の実験データで鍛えた例です。量子ドットの例では、オープンモデルがGPT-6 Astraを上回りましたが、数字は各団体が自分で測ったものです。ほかの課題でも同じように勝てるとは限りません。それでも、推論の費用が10〜20分の1という差は、試行を何度も重ねるエージェントでは効いてきそうです。
何より、重みとデータと手順がそろって公開された意味は大きいでしょう。実験のデータを社外に出せない製薬や素材の会社でも、自社の計算機の中で鍛えられます。一方、LitmusBenchの問題は英語だけで、日本語で答えさせたい研究室は、自分で問題を用意することになりそうです。
Nemotron 3.5 Super VLは、現時点ではYOBITSUGI AIからは使えません。
出典
- NVIDIA Introduces Nemotron for Science to Accelerate Discoveries With Agents(NVIDIA Newsroom・2026年11月16日)
- Post-Training NVIDIA Nemotron to Increase Accuracy in Your Scientific Domain(NVIDIA Technical Blog・2026年11月16日)
- nvidia/Nemotron-RL-litmus-bench-v0.2(Hugging Face・データセットの説明・2026年11月17日に確認)
- NVIDIA CUDA-X Libraries Give Agents the Tools to Accelerate Scientific Discovery(NVIDIA Blog・2026年11月16日)