SandboxAQ تربط نماذجها الفيزيائية بـ Claude لتشغيل المحاكاة العلمية دون كتابة كود

ما الذي يميز نماذج LQMs عن نماذج اللغة؟

على عكس نماذج اللغة الكبيرة التي تتعلم من النصوص، فإن نماذج LQMs مبنية على قوانين الفيزياء لمحاكاة الأنظمة الواقعية مثل:

• التفاعلات الكيميائية
• ديناميكيات الجزيئات
• العمليات الفيزيائية والكمية

بمعنى آخر، هذه النماذج لا تعتمد فقط على الأنماط اللغوية، بل على المعادلات الفيزيائية والحسابات الكمية لمحاكاة سلوك المواد والجزيئات بدقة.

وتوضح SandboxAQ أن LQMs تجمع بين المحاكاة الفيزيائية والتعلم الآلي لتسريع الاكتشافات في مجالات مثل تطوير الأدوية وعلوم المواد.

أول تطبيق: اكتشاف المحفزات الكيميائية

أول أداة متاحة عبر تكامل Claude هي AQCat Adsorption Spin، وهو نموذج مصمم لدعم اكتشاف المحفزات الكيميائية غير المتجانسة.

من خلال أوامر بلغة طبيعية، يستطيع الباحثون:

• التنبؤ بطاقة الامتزاز للجزيئات على أسطح المحفزات
• تحديد نقاط تقاطع طاقة الارتباط
• فحص تركيبات محفزات مختلفة للعثور على التفاعلات الواعدة

يعتمد النموذج على محرك تعلم آلي يأخذ في الحسبان خصائص spin في الأنظمة التحفيزية، ويمكنه تقديم رؤى قريبة من محاكاة نظرية دالة الكثافة (DFT) لكن بجهد إعداد أقل بكثير.

ويُعد اكتشاف المحفزات مجالًا مهمًا لأن المحفزات تدخل في نسبة كبيرة من العمليات الكيميائية الصناعية وإنتاج الطاقة. وقد استُخدمت بيانات تدريب ضخمة مثل مجموعة AQCat25 التي تحتوي على ملايين حسابات الكيمياء الكمية لعشرات الآلاف من أنظمة المحفزات.

نماذج قادمة لاكتشاف الأدوية

تخطط SandboxAQ لإتاحة نماذج إضافية بنفس الأسلوب القائم على المحادثة، خصوصًا في قطاع الأدوية الحيوية.

من بين النماذج التي أعلنت عنها:

• AQPotency: للتنبؤ بفعالية الجزيئات المرشحة كأدوية
• AQCell: لنمذجة التفاعلات الخلوية والآثار البيولوجية

الهدف هو جعل أدوات الحوسبة المتقدمة في اكتشاف الأدوية—والتي كانت حكرًا غالبًا على فرق الكيمياء الحاسوبية المتخصصة—متاحة لعدد أكبر من الباحثين عبر واجهة لغة طبيعية.

خطوة نحو تعميم “الذكاء الكمي” في الصناعة

تصف SandboxAQ هذا التكامل بأنه أكثر من مجرد ميزة تقنية جديدة. فهو جزء من رؤية أوسع لنشر الذكاء الاصطناعي الكمي أو "Quantitative AI" عبر منصات الذكاء الاصطناعي اللغوي الشائعة.

تاريخيًا، تشغيل النماذج العلمية المتقدمة كان يتطلب خبرة مزدوجة في المجال العلمي والبرمجة. لكن باستخدام نماذج اللغة كواجهة، يمكن تقليل هذا الحاجز بحيث يركز الباحث على السؤال العلمي بدلًا من تفاصيل البرمجة والتكامل.

وإذا انتشر هذا النهج على نطاق واسع، فقد يوسع استخدام أدوات المحاكاة الكمية في مجالات مثل:

• الصناعات الدوائية واكتشاف الأدوية
• الطاقة وتطوير المحفزات
• الكيمياء الصناعية
• أبحاث المواد المتقدمة

الفكرة الأساسية بسيطة: عندما يتحول الوصول إلى المحاكاة من كتابة الكود إلى طرح سؤال بلغة طبيعية، يصبح الانتقال من الفرضية إلى المحاكاة ثم إلى الاكتشاف أسرع بكثير.

اتجاه جديد في الذكاء الاصطناعي العلمي

يمثل هذا التكامل اتجاهًا متزايدًا في أبحاث الذكاء الاصطناعي: استخدام نماذج اللغة كطبقة تنسيق (orchestration) تربط المستخدمين بنماذج متخصصة تقوم بالحسابات العلمية الفعلية.

بدل الاعتماد على نموذج لغوي للتخمين حول الكيمياء أو المواد اعتمادًا على النصوص فقط، يستطيع Claude توجيه الطلبات إلى نماذج مبنية على الفيزياء مصممة خصيصًا لهذه المجالات.

النتيجة هي نظام هجين يجمع بين سهولة المحادثة وقوة المحاكاة الفيزيائية—وهو نهج قد يجعل الحوسبة العلمية المتقدمة متاحة لعدد أكبر بكثير من الباحثين حول العالم.