Deep Principle、新素材や化学実験の計画と検証を担うAIモデルを公開

米Deep Principleは2026年11月4日、化学や材料科学分野の研究を支援する科学向けAIモデル「Hydrogen-1.0」を発表した。同モデルは重みが公開された学習済みモデルの中身 (重み) が公開されていて、誰でもダウンロードして動かせるAIモデル。">オープンウェイトモデルとして提供され、研究チームによる実験計画の立案やシミュレーション計算の実行、目標とする材料特性の探索を支援する。モデルはHugging FaceやModelScopeからのダウンロード、NeuroSparkを通じたAPI、同社のAI Scientistツール「Mira」を通じて利用できる。

Hydrogen-1.0は既存モデル「GLM-5.3」の事後学習を通じて構築された。化学、材料科学、生命科学の各種データに加え、Deep Principleが自社ラボで蓄積した電子実験ノートの記録やエージェントの行動履歴を活用している。失敗した試行を含む仮説、行動、観察、修正の履歴を学習データとして保持し、教師ありファインチューニングと研究結果のフィードバックに基づく強化学習を組み合わせた。開発にあたってはUniPat、Mind Lab、NeuroSparkとデータや学習インフラで連携した。

モデルは短い研究目標から実験計画を立案し、機器に応じたプロトコルを生成する機能を備える。12個のバイアルを用いる鈴木・宮浦カップリングの検証では、仮想環境でのリハーサル中に新しいチップを取り付けずに吸引しようとするエラーを検出し、動作順序を修正したプロトコルを作成した。計算面では、ポリエチレン溶融体の分子動力学シミュレーションにおいてトポロジーエラーを修復して40ナノ秒の解析を実施したほか、有機合成の反応経路探索で30の反応を通じて27の分子構造を導き出した。

材料探索の性能検証として行われた遷移金属錯体の設計評価では、5ラウンドにわたる候補提案と評価の繰り返しにより、HOMO–LUMOギャップの平均最高値が4.318電子ボルトに到達した。これは同一条件で比較されたGPT-6-Astraの3.689電子ボルト、Kimi-K3の3.353電子ボルトを上回る水準だという。科学計算や一段階の反応予測ベンチマークでも、Hydrogen-1.0は最大思考設定のGPT-6-Astraをそれぞれ5.13ポイント、4.76ポイント上回った。一方で、核磁気共鳴（NMR）構造決定タスクではGPT-6-Astraが3.33ポイント高いスコアを記録した。

Deep Principleは今後、様々な材料ファミリーや探索目標へと学習を拡張し、ある研究プロジェクトで得た経験を別の材料探索に活かせる仕組みの確立を目指すとしている。