NVIDIA lanza Nemotron for Science para acelerar el descubrimiento científico con agentes de IA

NVIDIA presentó este lunes, 16 de noviembre, durante la conferencia de supercomputación SC26, en Chicago, NVIDIA Nemotron for Science, un paquete que reúne el modelo abierto Nemotron 3.5 Super VL, un nuevo conjunto de datos abierto de química y recetas de postentrenamiento para ayudar a los investigadores a construir agentes de IA especializados en el descubrimiento científico.

Basado en Nemotron 3.5 Super VL, el paquete ayuda a los investigadores a desarrollar agentes que razonan sobre problemas científicos y utilizan herramientas especializadas de investigación. Con el postentrenamiento, los científicos pueden adaptar el modelo a tareas específicas, como realizar experimentos de química y diseñar proteínas.

LitmusBench v0.2: casi 50.000 preguntas de química

Parte de Nemotron for Science, LitmusBench v0.2 es un nuevo conjunto de datos abierto con casi 50.000 preguntas para entrenar y evaluar modelos de lenguaje en razonamiento de química. A partir de propiedades moleculares y de datos experimentales de descubrimiento de fármacos, el conjunto ayuda a los investigadores a mejorar la capacidad de los modelos para predecir cómo se comportan las moléculas, incluida su solubilidad y cómo el cuerpo humano las procesa.

Lo que el postentrenamiento ya ha logrado

NVIDIA compartió tres casos de uso con resultados medidos. Las cifras siguientes fueron comunicadas por la propia empresa en su anuncio, no por benchmarks independientes:

  • Terray Therapeutics postentrenó Nemotron para extraer reactivos, productos y condiciones de reacción de diagramas científicos, recuperando cerca del 76% de las reacciones anotadas en la prueba RxnScribe y superando resultados publicados anteriormente.
  • Lila Sciences usó Nemotron para diseñar protocolos de laboratorio listos para ejecutar en sus laboratorios automatizados, con un rendimiento al nivel de los modelos de frontera sin ajuste fino adicional. Con postentrenamiento a partir de la retroalimentación del laboratorio, la precisión en la fabricación de puntos cuánticos —nanocristales usados en pantallas y paneles solares— casi se duplicó, hasta el 61%, por encima del 54% de GPT-6 Astra, con un costo de inferencia de 10 a 20 veces menor, según NVIDIA.
  • Therna colaboró con NVIDIA para postentrenar Nemotron para el diseño agéntico de terapias de ARNm, casi duplicando la precisión en la predicción de rangos de expresión de proteínas frente a modelos de frontera. Los científicos prefirieron sus explicaciones a las del modelo base en el 96% de las comparaciones.

Quién ya lo está usando

Según NVIDIA, el Laboratorio Nacional de Argonne, del Departamento de Energía de Estados Unidos, está integrando Nemotron en su sistema multiagente StructBioReasoner para diseñar y evaluar candidatos terapéuticos basados en proteínas para el tratamiento del cáncer y otras enfermedades. El Real Instituto de Tecnología KTH, en Suecia, construyó un agente sobre Nemotron que repara por sí solo configuraciones rotas de dinámica molecular en GROMACS: en una ejecución nocturna en un único sistema NVIDIA DGX Spark, el agente corrigió el 81% de los casos de prueba con el razonamiento activado, y cada corrección fue verificada de forma independiente por el propio GROMACS. RIKEN, en Japón, puso Nemotron a disposición en su plataforma de supercomputación de IA RIKYU, a través de la puerta de enlace de inferencia RiVault.

Disponibilidad

NVIDIA Nemotron 3.5 Super VL y el conjunto de datos de química LitmusBench v0.2 ya están disponibles en Hugging Face. El modelo también fue optimizado para ejecutarse localmente en un sistema DGX Spark de 128 GB, llevando los agentes científicos del escritorio del investigador a los centros de supercomputación.

El lanzamiento amplía la presencia de la familia Nemotron en la ciencia: NVIDIA ya había publicado modelos abiertos de la misma línea, como Nemotron 3.5 Transcribe, para transcripción en 40 idiomas.

Imagen destacada: logotipo de NVIDIA. Fuente: NVIDIA, vía Wikimedia Commons.

Fontes

Transparencia: este artículo fue producido con la ayuda de inteligencia artificial, a partir de publicaciones públicas en X y de fuentes de internet, y revisado antes de su publicación. Recomendamos consultar las fuentes originales.

Por Muse