Yapay Zekâ
Nemotron for Science, kimya verisini ajan eğitimine açıyor
NVIDIA’nın bilimsel ajan paketi, yaklaşık 50 bin kimya sorusunu alana özel eğitim yöntemleriyle birleştiriyor. Hesaplamalı değerlendirmeler, laboratuvar doğrulamasının yerini almıyor.
NVIDIA, bilimsel araştırmalara yönelik yapay zekâ ajanları geliştirmek için Nemotron for Science paketini tanıttı. 16 Kasım 2026 duyurusu, Nemotron 3.5 Super VL modelini kimya verileri, değerlendirmeler ve alana özel ek eğitim yöntemleriyle bir araya getiriyor. Amaç, araştırma sorusunu yorumlayıp gerektiğinde hesaplama araçlarını kullanabilen sistemler oluşturmak. Açıklama, tek başına tamamlanmış bir bilimsel keşif ya da her laboratuvarda aynı sonucu verecek hazır bir araştırmacı sunmuyor.
Burada ajan, yalnızca metin üreten bir modelden daha geniş bir yazılım düzenini ifade ediyor: model bir görevi planlıyor, kod veya araç çağrısı oluşturuyor, dönen sonucu değerlendirip sonraki adımı seçiyor. Temeldeki Super VL modeli metinle birlikte görüntü, belge ve video içeriğini işleyebiliyor. Dolayısıyla bir bilimsel diyagramdan bilgi çıkarılmasıyla bu bilginin hesaplama yazılımına aktarılması aynı sistemin farklı adımları olabiliyor. Modelin kendisi 15 Ekim’de duyurulmuştu; yeni açıklamanın odağı bilimsel kullanım için sağlanan veri ve uyarlama bileşenleri.
Paketin somut parçalarından LitmusBench v0.2, dil modellerinin kimyasal akıl yürütmesini eğitmek ve değerlendirmek için hazırlanmış açık bir veri kümesi. Sabit sürümdeki veri kartı 47.118 eğitim ve 2.056 test sorusu bildiriyor; toplam 49.174 soru bulunuyor. Sorular kısa yanıt biçiminde ve ChEMBL, ExpansionRx ile Biogen kaynaklarından oluşturulmuş. Küme, moleküler özelliklerden deneysel ölçüm sonuçlarına uzanan 126 özellik ve 12 ayrı deney çıktısını kapsıyor. Duyurudaki yaklaşık 50 bin ifadesi böylece yeni yapılmış 50 bin laboratuvar deneyi anlamına gelmiyor.
Teknik yazı, mevcut deney kayıtlarının modele nasıl geri bildirim sağlayabileceğini de anlatıyor. Başlangıç molekülü ve onu dönüştüren enzim verildiğinde modelden metabolit, yani dönüşüm sonucunda oluşan molekül tahmin ediliyor. Yapılar SMILES adı verilen, atom ve bağları metinle gösteren bir notasyonla ifade ediliyor. Tahmin ile kayıttaki referans yapı karşılaştırılıp sayısal bir puan üretiliyor. Bu puan, doğruya daha yakın yanıtları ödüllendiren pekiştirmeli öğrenmede eğitim sinyali olarak kullanılıyor.
Örnekteki karşılaştırma, moleküllerin yapısal özelliklerini özetleyen sayısal parmak izleri üzerinden yapılıyor. Tanimoto benzerliği denen ölçüt 0 ile 1 arasında değer alıyor; daha yüksek değer, bu parmak izlerinin daha fazla örtüştüğünü gösteriyor. Bu nedenle puanın yükselmesi doğrudan bir ilacın etkili olduğunu veya tahmin edilen ürünün deney tüpünde oluştuğunu kanıtlamıyor. Teknik yazının gösterdiği yöntem, deneysel kayıtları otomatik değerlendiriciye dönüştürüyor; yeni tahminlerin fiziksel doğrulaması ayrı bir aşama olarak kalıyor.
Bu düzenin yazılım tarafında NeMo Gym, ajanların görevleri çalıştırdığı ortamları ve sonuçlarını kontrol eden değerlendiricileri sağlıyor. NeMo RL ise ek eğitim sürecini yürütüyor. Böylece modele yalnızca örnek yanıt göstermek yerine, ürettiği yanıtın önceden belirlenmiş ölçüte ne kadar uyduğu da geri beslenebiliyor. Yöntemin başarısı, seçilen ölçütün araştırma sorusunu ne kadar iyi temsil ettiğine bağlı; otomatik puanlama bütün bilimsel kalite ölçütlerini kendiliğinden kapsayan bir denetim değil.
NVIDIA uygulama örnekleri arasında KTH Kraliyet Teknoloji Enstitüsü’nün GROMACS kurulumlarındaki hataları gideren ajanını gösteriyor. GROMACS, moleküllerin hareketini hesaplamak ve çıktıları incelemek için kullanılan açık kaynaklı bir yazılım. Şirketin aktardığı tek gecelik DGX Spark çalışmasında, akıl yürütme açıkken test vakalarının %81’i düzeltildi ve her düzeltme GROMACS tarafından kontrol edildi. Bu oran tüm araştırma görevlerinde başarı oranı değil; belirli bozuk simülasyon kurulumlarının onarılmasına ilişkin bir sonuç. Yazılımla kontrol de bağımsız bir araştırma grubunun deneyi tekrarlamasıyla aynı şey değil.
Açık model ve veri bileşenlerinin birlikte sunulması, araştırma kurumlarının kendi görevlerine uyarlanmış sistemler geliştirmesine alan açıyor. Temel yenilik, bilimsel bilgiyi yorumlama ile hesaplama araçlarını çalıştırma ve çıktıyı sınama adımlarını birbirine bağlamak. Modelin ve veri kümesinin Hugging Face üzerinde erişilebilir olması da açıklamayı yalnızca geleceğe dönük bir hedef olmaktan çıkarıyor.
Bununla birlikte duyurudaki uygulama sonuçları NVIDIA ve iş ortaklarının bildirimleri; kaynaklar bağımsız bir genel performans doğrulaması sunmuyor. LitmusBench veri kartında oluşturulma tarihi 2 Eylül 2026 olarak geçiyor; 16 Kasım, bütün verinin toplandığı gün değil, paketin tanıtım tarihi. Veri alt kümelerinin lisansları da farklı: ChEMBL içeren sorular CC BY-SA 4.0, diğerleri OpenMDW 1.1 koşullarına tabi.
Kaynaklar
- NVIDIA — Nemotron for Science duyurusu
- NVIDIA — Bilimsel alanlarda ek eğitim yöntemi
- NVIDIA — LitmusBench v0.2 veri kartı, sabit sürüm
- NVIDIA — Nemotron 3.5 Super VL model kartı
- NVIDIA — 15 Ekim model duyurusu
- NeMo Gym — Resmî yazılım deposu
- GROMACS — Resmî kapsam açıklaması