Новые разработки ориентированы на создание специализированных ИИ-агентов, способных не только анализировать научные данные и формулировать гипотезы, но и самостоятельно обращаться к вычислительным инструментам, запускать расчёты и помогать исследователям управлять сложными экспериментами.
ИИ для химии и научных исследований
В состав представленного комплекса NVIDIA Nemotron for Science вошли модель Nemotron 3.5 Super VL, открытый набор данных LitmusBench v0.2 и рецепты дополнительного обучения моделей (post-training). Набор LitmusBench содержит около 50 тысяч вопросов для обучения и оценки способности ИИ решать задачи химического анализа.
Он объединяет сведения о свойствах молекул и экспериментальные данные, используемые при разработке лекарственных препаратов. Это позволяет обучать модели прогнозировать поведение химических соединений, в том числе их растворимость и особенности метаболизма в организме человека.
Параллельно NVIDIA расширила библиотеку CUDA-X специализированными средствами для научных вычислений. Они охватывают несколько направлений: астрофизику, молекулярное моделирование, материаловедение и анализ отдельных клеток.
Астрофизика: обработка данных телескопа за восемь минут
Одним из наиболее заметных примеров применения новых библиотек стала обработка наблюдений Event Horizon Telescope — международной сети радиотелескопов, объединённых методом радиоинтерферометрии со сверхдлинной базой (VLBI). Благодаря совместной обработке сигналов нескольких обсерваторий система позволяет получить разрешение, эквивалентное телескопу размером с Землю.
Сеть генерирует огромные массивы данных, обработка которых традиционными методами может занимать более месяца. Новый инструмент cuPhoton.xBeam использует GPU для корреляции радиосигналов, поступающих от разных обсерваторий. По данным NVIDIA, время выполнения этой операции удалось сократить до восьми минут.
Важно, что речь идёт именно о корреляции наблюдений — одном из этапов обработки интерферометрических данных, а не о полном цикле получения изображения чёрной дыры. Тем не менее ускорение позволяет исследователям быстрее переходить к последующим этапам анализа.
Другой пример — исследования термоядерного синтеза. В компании Pacific Fusion применили модуль cuPhoton.xLens для извлечения информации из результатов моделирования плазмы непосредственно во время выполнения расчётов. В сочетании с локально работающим ИИ-агентом на базе Nemotron такой подход позволяет анализировать промежуточные результаты и оперативно корректировать ход моделирования.
От молекулярного моделирования до материаловедения
В фармацевтических исследованиях NVIDIA представила cuPotential — библиотеку, ускоряющую программное обеспечение для молекулярного моделирования. Она позволяет выполнять расчёты взаимодействий между атомами и молекулами до трёх раз быстрее, одновременно повышая стабильность и точность вычислений.
Инструмент предназначен для исследования участков связывания молекул, оценки силы межмолекулярных взаимодействий и подготовки синтетических данных для генеративных моделей. NVIDIA сотрудничает с Schrödinger и сообществами разработчиков AMBER, NAMD, GROMACS и LAMMPS для интеграции ускорения в существующие вычислительные процессы. Среди компаний, использующих технологию, — Cadence, Fathom Therapeutics, Topos Bio, Genesis Molecular AI и Terray Therapeutics.
Для материаловедения компания развивает Daviator — набор оптимизированных GPU-ядер для пакета Vienna Ab initio Simulation Package (VASP), применяемого в квантово-механических расчётах электронного строения материалов. В составе платформы NVIDIA ALCHEMI он обеспечивает ускорение таких вычислений до 22 раз при снижении стоимости на 75% по сравнению с исходными подходами, согласно оценкам компании.
Ещё одно направление — обработка экспериментальных данных непосредственно в процессе измерений. В Национальной лаборатории имени Лоуренса в Беркли библиотека DAQIRI связывает высокоскоростной детектор электронной микроскопии с GPU-вычислениями. Это позволяет анализировать поступающие сигналы в ходе эксперимента, выявлять интересующие исследователей области и оперативно определять, какие измерения следует провести следующими.
Анализ клеток и биологических данных
Особое внимание NVIDIA уделила инструментам для биологии. Библиотека cuSpa, опубликованная с открытым исходным кодом, ускоряет вычисления, связанные с обработкой полигональных контуров клеток. В Мемориальном онкологическом центре имени Слоуна — Кеттеринга (Memorial Sloan Kettering Cancer Center) её применение позволило ускорить построение масштабных пространственных графов в 900 раз по сравнению с вычислениями на CPU.
Здесь важно уточнить: показатель 900× относится к конкретной вычислительной задаче — обработке клеточных полигонов и построению пространственных графов, а не ко всему спектру анализа отдельных клеток.
Совместно с проектом scverse NVIDIA также развивает библиотеку rapids-singlecell для ускорения анализа данных отдельных клеток. Теперь она доступна в едином контейнере, ориентированном в том числе на использование ИИ-агентами. Компания Therna Biosciences сообщила об ускорении обработки данных в 200 раз при разработке терапевтических препаратов. А 10x Genomics интегрировала библиотеку в свою платформу Sentira.
Дополнительно NVIDIA открыла GPU-ускоренную библиотеку HMMER для аннотирования предсказанных белковых последовательностей. В компании Basecamp Research тестовые поисковые задачи выполнялись до 84 раз быстрее стандартной версии HMMER.
ИИ-агенты становятся инструментом научной работы
Вторая часть анонса посвящена практическому применению Nemotron 3.5 Super VL — открытой мультимодальной модели, которую исследовательские организации и биотехнологические компании адаптируют для решения специализированных задач.
Например, Terray Therapeutics использовала дополнительное обучение модели для извлечения сведений о реагентах, продуктах реакций и условиях проведения химических процессов из научных диаграмм. Lila Sciences применила Nemotron для подготовки лабораторных протоколов и разработки квантовых точек. Компания Therna адаптировала модель для проектирования терапевтических препаратов на основе мРНК.
Аргоннская национальная лаборатория США интегрирует Nemotron в мультиагентную систему StructBioReasoner, предназначенную для проектирования и оценки белковых кандидатов для лекарственных препаратов.
Модель Nemotron 3.5 Super VL и набор данных LitmusBench v0.2 уже доступны на платформе Hugging Face. NVIDIA также оптимизировала модель для локального запуска на системе DGX Spark с 128 Гбайт памяти. Это позволяет исследовательским организациям строить специализированные вычислительные процессы на собственной инфраструктуре, не передавая исследовательские данные внешним облачным сервисам.
Таким образом, NVIDIA предлагает не отдельную нейросеть для научных задач, а комплексную вычислительную инфраструктуру, в которой языковые модели, специализированные ИИ-агенты и GPU-библиотеки дополняют друг друга. Следующий этап развития такого подхода — переход от автоматизации отдельных расчётов к системам, способным самостоятельно планировать последовательность вычислительных экспериментов и корректировать их по мере получения результатов.
Но возникает принципиальный вопрос: где должна проходить граница автономности научных ИИ-агентов? Можно ли доверять им не только выполнение расчётов, но и выбор направления эксперимента, интерпретацию результатов и формирование научных выводов — или окончательное решение во всех случаях должно оставаться за исследователем?
Источник: https://interestingengineering.com/ai-robotics/nvidia-scientific-agents-research-tools
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!

