NVIDIAは2026年11月16日、科学研究用AIの開発を支援する「Nemotron for Science」を発表しました。モデルやデータ、評価環境、追加学習の手順をまとめた取り組みです。

研究者が、化学や生命科学などの仕事に合うAIエージェントを作るために使います。専門的な問いを考え、計算用の道具を呼び出す仕組みの構築を支えます。

Nemotron for Scienceは科学研究向けのモデル・データ・開発手順を提供

基盤となる「Nemotron 3.5 Super VL」は、画像と言語を扱えるAIモデルです。論文の文章と図表、化学構造などを一緒に扱う用途が想定されています。

NVIDIAが発表した主な提供物は、次のとおりです。

提供物研究開発での役割
Nemotron 3.5 Super VL専門資料を読み、道具を使うAIの基盤
化学分野の公開データ分子の性質などを学習・評価する材料
LitmusBench化学の推論課題で回答を確かめる環境
追加学習の手順専門分野のデータでモデルを調整する方法

モデルの調整と評価に必要な材料を、一緒に使える構成です。研究チームは対象の課題を決め、結果を検証しながら開発を進められます。

LitmusBenchは分子の性質を予測する化学AIの学習と評価に利用

NVIDIAの発表では、LitmusBenchを化学分野の推論に使う公開データとして紹介しています。分子の性質や創薬実験のデータをもとに、学習と評価に使います。

化学では、出力した構造や予測が科学的に妥当かを確かめる工程が必要です。分野に合うデータを使うと、文章の読みやすさに加えて、回答の正確さを調べられます。

発表は、モデルが分子の溶けやすさや体内での処理などを予測する力の改善を挙げています。研究チームは、自分たちが扱う分子や実験条件でも結果を確かめることになります。

Nemotronの追加学習は実験データと検証結果を組み合わせる

NVIDIAの技術ブログは、専門用途へモデルを調整する手順を公開しています。例として、元の化合物と酵素から、代謝後の分子を予測する課題を取り上げました。

実験データから質問と正解を用意し、モデルの予測を自動で採点する環境を作ります。その結果を学習へ戻すことで、対象の課題を解く力を改善します。

採点用の環境には「NeMo Gym」、学習には「NeMo RL」を使います。回答例から学ぶ方法や、より強いモデルの回答を手本にする方法も説明しています。

研究者にとって大切なのは、採点の基準が研究目的に合っていることです。学習に使わないデータも用意し、新しい問題に対応できるか確認しましょう。

Nemotron for Scienceを使う研究は化学知識の抽出や実験手順の作成へ

NVIDIAは、企業や研究機関での利用例も紹介しました。論文の図から化学反応の情報を取り出す研究や、自動実験向けの手順作成などです。

米アルゴンヌ国立研究所では、タンパク質を使う治療候補の設計・評価を行うシステムへ統合しています。理化学研究所でも、RIKYU AI基盤を通じた研究向け利用を案内しています。

こうした用途では、AIの提案を実験や計算で確かめる工程が続きます。実験データと専門家の確認を組み込みながら、各研究分野へ適応させる考え方です。

Nemotron 3.5 Super VLと化学データはHugging Faceで公開

2026年11月16日の公式発表では、モデルと化学データをHugging Faceで利用できるとしています。研究者の手元の計算機から、大規模な研究基盤までを利用先に挙げています。

実際に導入する際は、配布ページで利用条件と必要な機材を確認してください。専門分野のデータ、採点方法、未使用データでの評価をそろえると、調整の効果を確かめやすくなります。

科学AIが複数の道具を使う流れは、AIエージェントの基礎で解説しています。研究向けAIデータの公開事例は、下の関連ニュースでも紹介しています。