중국 AI 소재 연구 전문 딥 프린시플(Deep Principle)이 실제 실험 기록과 연구 과정의 시행착오까지 학습한 과학 특화 AI 모델 '하이드로젠-1.0(Hydrogen-1.0)'을 공개했다. 총 7530억개 매개변수를 갖춘 오픈웨이트 모델로, 과학적 지식과 추론 능력을 넘어 실험 설계와 시뮬레이션, 신소재 탐색 등 여러 단계의 연구 작업을 수행하도록 설계했다.

딥 프린시플은 2일(현지시간) 하이드로젠-1.0을 공개하고 모델 가중치를 MIT 라이선스로 허깅페이스와 모델스코프에 배포했다.

Z.ai의 범용 모델 'GLM-5.3'을 기반으로 과학 분야 전문 지식과 자체 연구소의 실험 기록 등을 추가 학습했다. 전문가 혼합(MoE) 구조를 적용해 토큰당 약 400억개 매개변수만 활성화하며, 최대 100만 토큰의 문맥을 지원한다.

성능 평가에서는 일부 과학 연구 과제에서 최첨단 독점 모델을 앞섰다. 딥 프린시플 자체 평가에 따르면 과학 연구 역량을 측정하는 '프론티어사이언스-리서치(FrontierScience-Research·FSR)'에서 하이드로젠-1.0은 38.3%를 기록해 'GPT-6 아스트라'의 33.3%보다 5%포인트 높은 점수를 얻었다.

프론티어사이언스-리서치 벤치마크 (사진=딥 프린시플)

대학원 수준의 과학 지식을 평가하는 'GPQA 다이아몬드'에서도 기반 모델인 GLM-5.3보다 높은 성능을 보였으며, 오픈 모델인 '키미-K3'와 비슷한 수준을 기록했다.

실제 연구 환경을 반영한 내부 평가에서는 과학 컴퓨팅과 화학 반응 예측에서 GPT-6 아스트라를 각각 5.13%p, 4.76%p 앞섰다. 다만 핵자기공명(NMR)을 이용한 분자 구조 규명에서는 GPT-6 아스트라가 3.33%p 높은 점수를 기록했다.

이번 모델의 가장 큰 특징은 실제 연구 과정에서 축적한 성공과 실패의 기록을 학습했다는 점이다. 딥 프린시플은 화학·재료과학·생명과학 분야의 전문 지식과 연구진의 피드백, 전자연구노트(ELN), AI 에이전트의 연구 수행 기록을 활용했다.

특히 자체 연구 플랫폼 '미라(Mira)'를 통해 실험 목적과 절차, 관찰 결과, 후속 연구 방향을 연결한 데이터를 확보했다. 성공한 실험뿐 아니라 실패한 시도와 예상하지 못한 결과도 포함했다. 이를 통해 모델이 단순히 과학 문제의 정답을 찾는 데 그치지 않고, 실험 결과에 따라 다음 연구 방향을 결정하거나 잘못된 접근법을 수정하도록 학습시켰다. 지도 미세조정(SFT)과 강화학습(RL)을 결합해 연구 수행 능력을 높였다.

실제 시연에서도 여러 단계의 연구 작업을 수행했다. 재료과학 분야에서는 폴리에틸렌의 분자 구조를 구성하는 파이썬 코드를 작성하고 분자 동역학 시뮬레이션 도구인 GROMACS를 실행했다. 실행 과정에서 발생한 오류를 스스로 발견해 수정한 뒤 시뮬레이션을 다시 진행하고, 결과를 바탕으로 물질의 밀도와 분자 배열, 확산 특성 등을 분석했다.

실험실 자동화 작업에서는 12개 바이알을 이용하는 스즈키 커플링 화학 실험의 실행 절차를 생성했다. 가상 실험 환경에서 피펫 팁을 장착하지 않은 채 액체를 흡입하려는 오류를 발견하자 작업 순서를 수정해 검증을 마쳤다. 다만 실제 실험 장비를 작동한 것이 아니라 가상 환경에서 절차의 실행 가능성을 확인한 사례다.

신소재 탐색에서도 성과를 보였다. 전이금속 착물의 전자 에너지 차이를 최대화하는 과제에서 5차례에 걸쳐 후보 물질을 제안하고 평가 결과에 따라 탐색 방향을 수정했다. 최종 후보의 평균 에너지 차이는 4.318전자볼트(eV)로, GPT-6 아스트라의 3.689eV와 키미-K3의 3.353eV를 앞섰다. 딥 프린시플은 제한된 탐색 횟수 안에 연구 목표에 부합하는 후보 물질을 찾아내는 능력을 보여줬다고 설명했다. 다만 실제 새로운 물질의 합성이나 실험적 검증을 완료한 것은 아니다.

이번 공개는 과학 연구용 AI를 오픈웨이트로 제공한다는 점에서도 의미가 있다. 최근 오픈AI와 앤트로픽이 AI를 활용한 수학·생명과학 연구 성과를 발표했지만, 주요 모델은 독점적으로 운영하고 있다. 딥 프린시플은 연구자들이 모델을 직접 실행하고 수정할 수 있도록 가중치를 공개했다. 다만 전체 학습 데이터와 구체적인 학습 과정까지 공개한 것은 아니다.

실행 환경은 엔비디아와 AMD GPU를 모두 지원하며, 8개 GPU 구성에서 추론을 검증했다. SGLang을 이용해 오픈AI 호환 API 형태로도 실행할 수 있다.

박찬 기자 cpark@aitimes.com