Deep Principle bringt Hydrogen-1.0 mit offenen Gewichten für die wissenschaftliche Forschung auf den Markt
Deep Principle hat Hydrogen-1.0 vorgestellt, ein wissenschaftliches Modell mit offenen Gewichten, das Forschungsgruppen aus Chemie und Materialwissenschaften bei der Planung von Experimenten, der Ausführung rechnergestützter Workflows und der Untersuchung von Materialkandidaten unterstützen soll. Das Modell ist über Deep Principles Mira AI Scientist, als Download und über eine API verfügbar.
- Hydrogen-1.0 ist ein Modell mit offenen Gewichten für die Chemie- und Materialforschung.
- Es kann Experimente planen, rechnergestützte Workflows ausführen und Reaktionspfade erkunden.
- In einer Materialevaluierung erreichte es nach fünf Runden eine durchschnittliche bisher beste Lücke von 4.318 eV.
- Der Zugriff ist über Mira, Modelldownloads und die NeuroSpark API möglich.
Ein Modell, das mit wissenschaftlichen Workflows trainiert wurde
Deep Principle hat Hydrogen-1.0 am 4. November 2026 vorgestellt. Nach Angaben des Unternehmens wurde das Modell durch ein weiteres Training von GLM-5.3 mit Daten aus Chemie, Materialwissenschaften und Lebenswissenschaften sowie mit Aufzeichnungen und Agentenverläufen aus den eigenen Laboren entwickelt.
Der Trainingsprozess kombiniert überwachtes Feintuning, das Beispiele für Schlussfolgerungen, Versuchsprotokolle und Ergebnisanalysen liefert, mit bestärkendem Lernen auf Grundlage von Forschungsergebnissen. Laut Deep Principle bewahrt das Training Hypothesen, Aktionen, Beobachtungen und Überarbeitungen, einschließlich fehlgeschlagener Versuche. Der Ansatz soll dem Modell vermitteln, wie sich Forschungsentscheidungen entwickeln, statt es nur mit erfolgreichen Ergebnissen zu trainieren.
Hydrogen-1.0 lernt außerdem aus den elektronischen Laborbuchaufzeichnungen von Deep Principle. Diese Aufzeichnungen verknüpfen, unterstützt durch die Dokumentation von Mira, die Versuchsabsicht mit Abläufen, Beobachtungen und Ergebnissen.
Von Versuchsplänen bis zu Simulationen
Bei der KI-gestützten Versuchsplanung kann Hydrogen-1.0 ein knapp formuliertes Forschungsziel in einen Versuchsplan umwandeln, Protokolle erstellen und Ergebnisse interpretieren. In einem Beispiel mit einer Suzuki-Kupplung und 12 Gefäßen erzeugte das Modell ein JSON-Protokoll und testete es in einer virtuellen Probe. Dabei wurde erkannt, dass der Versuch vorsah, ohne eine frische Spitze zu aspirieren. Anschließend änderte Hydrogen-1.0 die Reihenfolge der Aktionen und kompilierte das überarbeitete Protokoll erfolgreich. Die Prüfungen umfassten die Fähigkeiten der Station, Abhängigkeiten und Voraussetzungen für Aktionen.
In einem weiteren Beispiel übersetzte das Modell eine Frage aus der Polymermaterialforschung in einen Simulations-Workflow. Es schrieb Python-Code, um eine Polyethylenschmelze zu erstellen, führte GROMACS aus, erkannte und reparierte einen Topologiefehler und startete die Simulation anschließend neu. Die korrigierte Trajektorie über 40 Nanosekunden untersuchte es im Hinblick auf Dichte, molekulare Packung, Diffusion und Kettendimensionen.
Zur Erkundung von Reaktionspfaden erzeugte Hydrogen-1.0 in einem Netzwerk der Ireland-Claisen-Umlagerung 27 Molekülstrukturen über 30 plausible Reaktionen. Deep Principle zufolge kann die Kartierung dieser Pfade Forschern helfen, Reaktionswege zu vergleichen, Engpässe zu erkennen und weitere Untersuchungen zu priorisieren.
Evaluierungen zur Wirkstoff- und Materialsuche sowie Zugang
Deep Principle bewertete Hydrogen-1.0 als System, das wiederholt Materialkandidaten auswählt und bewertet. In einem Test zum Design von Übergangsmetallkomplexen empfahl das Modell über fünf Runden neue Komplexe und strebte dabei eine größere HOMO-LUMO-Lücke an. In der fünften Runde lag die durchschnittliche bisher beste Lücke bei Hydrogen-1.0 bei 4.318 eV, verglichen mit 3.689 eV für GPT-6-Astra und 3.353 eV für Kimi-K3. Jedes Modell startete mit derselben Ausgangspopulation und erhielt ausschließlich Rückmeldungen zu den eigenen Empfehlungen.
Das Unternehmen berichtet außerdem, dass Hydrogen-1.0 GPT-6-Astra bei FrontierScience-Research übertraf und sich bei GPQA Diamond gegenüber GLM-5.3 verbesserte, wo es ungefähr das Niveau von Kimi-K3 erreichte. Bei internen Aufgaben zur wissenschaftlichen Datenverarbeitung und zur Vorhersage einstufiger Reaktionen erzielte es bei den Einstellungen für geringes, hohes und maximales Nachdenken höhere Werte als GPT-6-Astra. GPT-6-Astra mit maximalem Nachdenken erzielte bei der Aufklärung von NMR-Strukturen höhere Werte.
Forschende können über Downloads mit offenen Gewichten bei Hugging Face und ModelScope, über den direkten API-Zugang bei NeuroSpark oder über Mira auf Hydrogen-1.0 zugreifen. Deep Principle zufolge liegt der nächste Forschungsschwerpunkt auf der Ausweitung des Lernens über verschiedene Entdeckungsziele und Materialfamilien hinweg, sodass Erfahrungen aus einer Kampagne in spätere Arbeiten einfließen können.
