EnglishChinees bedrijf geeft AI-model voor scheikunde vrij, getraind op eigen labwerk
Het Chinese Deep Principle heeft Hydrogen-1.0 vrijgegeven, een AI-model voor scheikunde en materiaalonderzoek dat iedereen mag downloaden. Het leerde ook van mislukte proeven uit het eigen lab. De prestaties zijn nog door het bedrijf zelf gemeten.
Het Chinese AI-bedrijf Deep Principle uit Hangzhou heeft op 2 november Hydrogen-1.0 uitgebracht, een AI-model dat onderzoekers helpt bij scheikunde, materiaalkunde en biologisch onderzoek. Medeoprichter en technisch directeur Chenru Duan maakte het bekend op X.
Het bijzondere is dat iedereen het model mag downloaden en gebruiken, ook voor commerciële toepassingen. De zogeheten gewichten, de getallen waarin alles zit wat het model heeft geleerd, staan onder een vrije licentie (MIT) op Hugging Face en het Chinese platform ModelScope.
Geleerd van echte proeven, ook de mislukte
Deep Principle bouwde Hydrogen-1.0 op GLM-5.3, een bestaand open taalmodel van het Chinese Z.ai. Dat model trainde het bedrijf verder met vakkennis uit scheikunde, materiaalkunde en levenswetenschappen. Daarnaast gebruikte het de digitale labjournaals van het eigen laboratorium: verslagen van echte proeven, inclusief de pogingen die mislukten. Zo leert het model niet alleen wat werkt, maar ook wat er onderweg misgaat.
Het model is groot: 753 miljard parameters, de instelbare getallen van een AI-model. Het kan een tekst van ongeveer een miljoen tokens (woorddelen) tegelijk lezen, genoeg voor een stapel wetenschappelijke artikelen. Volgens de makers draait het op een server met acht krachtige videokaarten. Er zijn aparte, lichtere versies voor de nieuwste chips van Nvidia en AMD.
Wat kan het?
Op FrontierScience-Research, een test met open onderzoeksvragen, scoort Hydrogen-1.0 volgens het bedrijf 38,3 procent. GPT-6-Astra van OpenAI haalt daar 33,3 procent. Op een bekende test met moeilijke meerkeuzevragen over wetenschap presteert het ongeveer even goed als het Chinese model Kimi-K3.
In eigen tests van Deep Principle doet het model het beter dan GPT-6-Astra bij wetenschappelijk rekenwerk en bij het voorspellen wat er bij een chemische reactie ontstaat. Bij het afleiden van de bouw van een molecuul uit een meting (NMR) is GPT-6-Astra juist beter.
Het bedrijf liet het model ook in vijf rondes nieuwe metaalverbindingen bedenken met een gewenste elektrische eigenschap. Hydrogen-1.0 kwam daarbij volgens het bedrijf beter uit dan GPT-6-Astra en Kimi-K3.
In voorbeelden laat Deep Principle zien hoe het model een computersimulatie van gesmolten plastic schrijft, zelf een fout daarin vindt en herstelt. Ook schreef het een werkplan voor een laboratoriumrobot. Voordat zo'n plan echt wordt uitgevoerd, speelt het model het eerst virtueel na. Daarbij ontdekte het dat de robot vloeistof wilde opzuigen zonder een schone pipetpunt te pakken, en verbeterde het plan. Zo worden fouten gevonden voordat er dure stoffen verloren gaan.
Wat nog moet blijken
Alle cijfers komen van Deep Principle zelf, en het bedrijf koos zelf de tests. De trainingsdata en de precieze trainingsmethode deelt het niet. De volgende stap is dat onderzoekers buiten het bedrijf het model zelf gaan testen. Dat kan ook echt, omdat de gewichten vrij beschikbaar zijn.
Wat betekent dit voor de weg naar de singulariteit?
AI helpt steeds vaker bij wetenschappelijke ontdekkingen. Deep Principle noemt zelf het wiskundige bewijs over stromingsvergelijkingen dat OpenAI meldde, en de vondst van een nieuw enzymsysteem door Anthropic. Die resultaten kwamen uit gesloten modellen, die buitenstaanders niet zelf kunnen draaien of onderzoeken.
Met Hydrogen-1.0 kunnen universiteiten en kleinere labs een wetenschappelijk AI-model op hun eigen computers gebruiken, controleren en verder verbeteren. Als blijkt dat het leren van echte labproeven goed werkt, kan het werk tussen idee, proef en verbetering sneller gaan. Dat is precies het soort versnelling waarmee AI het tempo van onderzoek naar nieuwe materialen en medicijnen kan opvoeren.
