Deep Principle, società cinese specializzata nell’applicazione dell’intelligenza artificiale alla ricerca sui materiali, ha presentato il 2 novembre 2026 Hydrogen-1.0, un modello scientifico open-weight progettato per assistere i ricercatori nelle attività di analisi, progettazione sperimentale, simulazione e individuazione di nuovi composti. Il sistema comprende complessivamente 753 miliardi di parametri e utilizza un’architettura Mixture-of-Experts che ne attiva circa 40 miliardi per token. La finestra di contesto dichiarata raggiunge un milione di token, permettendo di elaborare informazioni provenienti da documentazione scientifica, registrazioni sperimentali e procedure di ricerca particolarmente estese. Hydrogen-1.0 è stato sviluppato a partire dal modello generalista GLM-5.3 di Z.ai, successivamente adattato attraverso dati specialistici e procedure di addestramento destinate a migliorare la capacità di affrontare attività scientifiche articolate. I pesi sono stati distribuiti con licenza MIT attraverso Hugging Face e ModelScope, consentendo ai ricercatori di utilizzare e modificare il modello senza dipendere esclusivamente da un servizio API proprietario.
La caratteristica distintiva del processo di addestramento riguarda l’impiego di dati provenienti dall’attività sperimentale effettiva. Deep Principle ha utilizzato conoscenze specialistiche di chimica, scienza dei materiali e biologia, integrandole con annotazioni dei ricercatori, quaderni elettronici di laboratorio e registrazioni delle attività svolte da agenti AI. Una parte di queste informazioni proviene da Mira, la piattaforma di ricerca sviluppata internamente dall’azienda, che collega obiettivi sperimentali, procedure adottate, osservazioni raccolte e decisioni relative agli interventi successivi. Il dataset comprende risultati positivi e negativi, tentativi falliti, errori operativi e osservazioni impreviste, permettendo di addestrare il modello non soltanto sulle risposte scientificamente corrette, ma anche sulle sequenze decisionali che accompagnano la ricerca. La procedura combina supervised fine-tuning e reinforcement learning per migliorare la capacità di correggere strategie non efficaci, interpretare i risultati ottenuti e modificare le ipotesi operative nel corso di un’attività articolata.
Deep Principle ha pubblicato risultati di benchmark relativi a conoscenza scientifica, ragionamento e svolgimento di compiti di ricerca. Nel test FrontierScience-Research, Hydrogen-1.0 ha ottenuto il 38,3%, rispetto al 33,3% attribuito a GPT-6 Astra, con una differenza di cinque punti percentuali. Nella valutazione GPQA Diamond, dedicata a problemi scientifici di livello avanzato, il modello ha superato le prestazioni del sistema di partenza GLM-5.3 e raggiunto risultati comparabili a quelli di Kimi-K3. Nei test interni relativi alla computazione scientifica e alla previsione delle reazioni chimiche, Deep Principle dichiara vantaggi rispetto a GPT-6 Astra rispettivamente di 5,13 e 4,76 punti percentuali. Nella determinazione delle strutture molecolari attraverso dati di risonanza magnetica nucleare, invece, GPT-6 Astra ha ottenuto un risultato superiore di 3,33 punti percentuali. Le misurazioni sono state comunicate dal produttore e riguardano specifiche attività di valutazione, senza dimostrare una superiorità generalizzata di Hydrogen-1.0 in tutte le discipline scientifiche.
Le dimostrazioni applicative comprendono processi nei quali il modello deve collegare programmazione, utilizzo di strumenti, interpretazione dei risultati e correzione delle procedure. In un esperimento di scienza dei materiali, Hydrogen-1.0 ha generato codice Python per costruire la struttura molecolare del polietilene e ha successivamente utilizzato GROMACS, un software specializzato nelle simulazioni di dinamica molecolare. Durante l’esecuzione sono emersi errori che il modello ha individuato e corretto, riprendendo poi la simulazione e analizzando i risultati relativi a densità del materiale, organizzazione molecolare e proprietà di diffusione. L’esperimento evidenzia la capacità di utilizzare strumenti scientifici esterni in una procedura iterativa, nella quale il risultato di un’operazione determina le istruzioni successive.
Un’altra dimostrazione ha riguardato la preparazione di una procedura di laboratorio per una reazione chimica di accoppiamento Suzuki, organizzata utilizzando dodici vial. Hydrogen-1.0 ha generato la sequenza delle operazioni necessarie e l’ha verificata in un ambiente virtuale. Durante la simulazione, il sistema ha individuato un errore relativo al tentativo di aspirare un liquido senza avere prima montato la punta sulla pipetta, modificando la successione dei passaggi e completando la verifica della procedura. L’esperimento è stato svolto in simulazione e non costituisce una dimostrazione di controllo diretto e autonomo di apparecchiature fisiche di laboratorio. La distinzione permette di delimitare la capacità effettivamente mostrata, che riguarda la produzione e la validazione virtuale delle istruzioni operative.
Hydrogen-1.0 è stato inoltre valutato nella ricerca di complessi di metalli di transizione caratterizzati da una differenza elevata tra specifici livelli energetici elettronici. Il sistema ha formulato cinque successive proposte di materiali candidati, utilizzando i risultati della valutazione di ciascuno per orientare il tentativo seguente. Il candidato finale ha raggiunto una differenza energetica media di 4,318 elettronvolt, rispetto ai 3,689 eV ottenuti da GPT-6 Astra e ai 3,353 eV di Kimi-K3 nello stesso confronto. Il risultato indica una maggiore efficacia nella specifica attività di esplorazione computazionale con un numero limitato di tentativi, ma non dimostra che il materiale sia già stato sintetizzato o validato sperimentalmente. La procedura rimane quindi un esempio di ricerca iterativa su candidati molecolari, non di scoperta scientifica completata in laboratorio.
Sul piano infrastrutturale, Hydrogen-1.0 supporta acceleratori NVIDIA e AMD e la sua esecuzione è stata verificata su configurazioni comprendenti otto GPU. Il modello può essere distribuito attraverso SGLang utilizzando interfacce API compatibili con OpenAI, facilitando l’integrazione con applicazioni di ricerca e sistemi di orchestrazione degli agenti. La disponibilità dei pesi consente di eseguire il modello su infrastrutture controllate direttamente dagli utilizzatori e di sviluppare ulteriori adattamenti specialistici. Deep Principle non ha tuttavia pubblicato l’intero dataset di addestramento né tutti i dettagli necessari per riprodurre integralmente il processo di sviluppo. Hydrogen-1.0 combina quindi un modello generalista di grandi dimensioni con registrazioni sperimentali e procedure di apprendimento specializzate, proponendo un sistema capace di partecipare alle fasi computazionali e decisionali della ricerca scientifica attraverso strumenti esterni e sequenze operative articolate.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)