AI & computing › AI-gestuurde wetenschappelijke ontdekkingen

Nvidia lanceert Nemotron for Science: AI-hulp voor wetenschappelijke ontdekkingen

· Bijgewerkt 22 november 2026, 01:57 · 2 min leestijd

AI-gestuurde wetenschappelijke ontdekkingen
Beeld: Engineering.com

Chipmaker Nvidia heeft Nemotron for Science gepresenteerd, een combinatie van een AI-model, een chemiedataset en trainingsrecepten waarmee onderzoekers eigen 'ontdekkingsagenten' kunnen bouwen. Laboratoria en onderzoekscentra als Argonne en Jülich testen het systeem al voor medicijnontwikkeling, materiaalonderzoek en eiwitontwerp.

Nvidia breidt zijn Nemotron-familie van AI-modellen uit met een versie speciaal voor de wetenschap. Nemotron for Science bouwt voort op het bestaande model Nemotron 3.5 Super VL en voegt daar een nieuwe chemiedataset en kant-en-klare trainingsrecepten aan toe. Het doel: onderzoekers een basis geven om zelf gespecialiseerde AI-agents te bouwen die meedenken over experimenten, chemische reacties en de ontwikkeling van nieuwe medicijnen of materialen.

Een dataset met bijna 50.000 scheikundevragen

Onderdeel van de lancering is LitmusBench v0.2, een open dataset met circa 50.000 vragen over chemie. De dataset is gebaseerd op bestaande data over moleculaire eigenschappen en medicijnonderzoek. Onderzoekers kunnen hiermee AI-modellen trainen en testen op hun vermogen om te voorspellen hoe moleculen zich gedragen, bijvoorbeeld hoe goed een stof oplost of hoe het lichaam een medicijn verwerkt. Door het model vervolgens gericht bij te trainen op specifieke taken, een proces dat Nvidia 'post-training' noemt, kan het beter presteren op nichetoepassingen dan een algemeen model.

Eerste resultaten bij bedrijven en onderzoekscentra

Een aantal partijen heeft het model al uitgeprobeerd. Het Amerikaanse Terray Therapeutics trainde Nemotron om reactiegegevens uit wetenschappelijke diagrammen te halen en haalde daarmee betere resultaten dan eerder gepubliceerd onderzoek: op de testset RxnScribe werd 76 procent van de aangemerkte reacties correct herkend. Het bedrijf Lila Sciences gebruikte het model om laboratoriumprotocollen te ontwerpen voor geautomatiseerde labs. Na extra training met feedback uit het lab verdubbelde de nauwkeurigheid voor het maken van quantum dots, piepkleine kristallen die onder meer in schermen en zonnepanelen worden gebruikt, tot 61 procent. Dat is hoger dan het concurrerende model GPT-6 Astra, dat op 54 procent uitkwam, en dat tegen een tien tot twintig keer lagere rekenkosten. Biotechbedrijf Therna trainde het model voor het ontwerpen van mRNA-medicijnen en verdubbelde daarmee de nauwkeurigheid waarmee wordt voorspeld hoeveel eiwit een ontwerp in cellen produceert.

Van laboratoriumbureau tot supercomputer

Grote onderzoeksinstellingen zetten het model breder in. Het Amerikaanse onderzoekscentrum Argonne integreert Nemotron in StructBioReasoner, een systeem van samenwerkende AI-agents dat eiwitgebaseerde medicijnen tegen kanker helpt ontwerpen en beoordelen. Aan het Zweedse KTH Royal Institute of Technology bouwden onderzoekers een agent die zelfstandig fouten herstelt in simulaties van moleculaire bewegingen, uitgevoerd met de software GROMACS. In een nachtelijke testrun op één Nvidia DGX Spark-computer loste de agent 81 procent van de probleemgevallen zelfstandig op. Ook het Japanse onderzoeksinstituut RIKEN en het Duitse Jülich Supercomputing Centre maken het model toegankelijk voor hun onderzoekers. Nemotron 3.5 Super VL en de LitmusBench-dataset zijn inmiddels gratis te downloaden via het platform Hugging Face, en het model draait ook lokaal op een enkele DGX Spark-machine met 128 GB geheugen.

Achtergrond & begrippen

Wat betekent dit voor de toekomst? Door AI-modellen specifiek te trainen voor scheikunde, materiaalontwerp en medicijnonderzoek kunnen wetenschappers experimenten sneller plannen en meer mogelijke moleculen doorrekenen dan met traditionele methodes. Dat kan de ontwikkeling van nieuwe medicijnen, batterijmaterialen en duurzame technologie versnellen, al blijft laboratoriumvalidatie nodig voordat ontdekkingen echt bruikbaar zijn.

AI-agent
Een AI-programma dat zelfstandig taken uitvoert, zoals experimenten plannen of data analyseren, in plaats van alleen vragen te beantwoorden.
Post-training
Het extra trainen van een bestaand AI-model met specifieke data, zodat het beter wordt in een bepaalde taak zoals scheikundige analyse.
Dataset
Een verzameling gegevens, in dit geval vragen en antwoorden over scheikunde, die gebruikt wordt om AI-modellen te trainen en te testen.
LitmusBench v0.2
De chemiedataset van Nvidia met bijna 50.000 vragen, gebruikt om te meten hoe goed een AI-model moleculaire eigenschappen kan voorspellen.
Quantum dots
Nanometergrote kristallen met bijzondere optische eigenschappen, toegepast in onder meer beeldschermen en zonnepanelen.
mRNA-ontwerp
Het ontwikkelen van genetisch materiaal (mRNA) dat cellen instrueert om een gewenst eiwit te produceren, een techniek die ook gebruikt wordt in vaccins.
GROMACS
Veelgebruikte software voor het simuleren van moleculaire bewegingen, bijvoorbeeld om te voorspellen hoe eiwitten of medicijnen zich gedragen.
DGX Spark
Een compacte Nvidia-computer bedoeld om zware AI-modellen lokaal te draaien, zonder afhankelijk te zijn van een datacenter.
Hugging Face
Een online platform waar AI-modellen en datasets gratis gedeeld en gedownload kunnen worden.

Bronnen

Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.

Meer over AI-gestuurde wetenschappelijke ontdekkingen