SandboxAQ Sambungkan AI Fisika ke Claude untuk Menjalankan Simulasi Ilmiah Tanpa Coding

Pendekatan ini menggantikan proses lama yang biasanya memerlukan skrip khusus, integrasi API yang rumit, serta akses ke lingkungan komputasi khusus. Dengan sistem baru, simulasi molekul berakurasi tinggi dapat dijalankan secara percakapan tanpa mengelola infrastruktur komputasi sendiri.

Apa Itu Large Quantitative Models?

Model yang digunakan SandboxAQ berbeda dari model bahasa besar (LLM) seperti chatbot pada umumnya.

Large Quantitative Models (LQMs) adalah model AI yang berbasis hukum fisika dan matematika, bukan hanya pola dari teks. Model ini dirancang untuk mensimulasikan sistem dunia nyata seperti:

• reaksi kimia
• dinamika molekul
• proses material

Dengan menggabungkan metode simulasi fisika dengan pembelajaran mesin, SandboxAQ mengatakan LQM dapat membantu mempercepat penemuan dalam bidang seperti pengembangan obat dan ilmu material.

Ketika model-model ini dihubungkan dengan antarmuka bahasa alami seperti Claude, peneliti bisa berinteraksi dengan simulasi ilmiah hampir seperti sedang berbicara dengan asisten AI.

Kasus Penggunaan Pertama: Penemuan Katalis

Model pertama yang tersedia melalui integrasi ini adalah AQCat Adsorption Spin, yang dirancang untuk penelitian katalis heterogen.

Melalui perintah bahasa alami, ilmuwan material dapat:

• memprediksi energi adsorpsi molekul pada permukaan katalis
• menemukan titik crossover energi ikatan
• menyaring komposisi katalis untuk reaksi tertentu

Model ini dibangun menggunakan mesin machine learning yang mempertimbangkan efek spin dalam sistem katalitik, dan dapat memberikan wawasan yang mirip dengan simulasi density functional theory (DFT)—metode komputasi yang biasanya memerlukan setup kompleks—namun dengan proses yang jauh lebih sederhana.

Penemuan katalis sendiri merupakan bidang penting karena katalis digunakan secara luas dalam industri kimia dan produksi energi. Dataset yang digunakan untuk melatih model seperti AQCat25 mencakup jutaan perhitungan kimia kuantum dari puluhan ribu sistem katalis.

Model Berikutnya untuk Penemuan Obat

SandboxAQ juga berencana memperluas pendekatan ini ke bidang biopharma.

Beberapa model LQM yang sedang disiapkan antara lain:

• AQPotency, untuk memprediksi potensi molekul kandidat obat
• AQCell, untuk memodelkan interaksi sel dan efek biologis

Tujuannya adalah membawa alat komputasi yang biasanya hanya digunakan oleh tim kimia komputasi khusus ke dalam alur kerja penelitian yang lebih luas—cukup dengan antarmuka bahasa alami.

Langkah Menuju “Quantitative AI” Skala Industri

SandboxAQ melihat integrasi ini bukan sekadar fitur baru, melainkan bagian dari strategi yang lebih besar: menyebarkan AI berbasis simulasi fisika melalui antarmuka model bahasa yang sudah banyak digunakan.

Secara historis, menjalankan model ilmiah canggih membutuhkan dua keahlian sekaligus—keahlian domain ilmiah dan kemampuan pemrograman. Dengan menjadikan LLM sebagai lapisan antarmuka, hambatan tersebut dapat dikurangi sehingga peneliti bisa lebih fokus pada pertanyaan ilmiah.

Jika pendekatan ini diadopsi secara luas, model kuantitatif seperti LQM berpotensi mempercepat riset di berbagai industri, termasuk:

• biopharma dan penemuan obat
• energi dan pengembangan katalis
• kimia industri
• penelitian material canggih

Intinya, ketika antarmuka berubah dari kode menjadi bahasa alami, peneliti dapat bergerak lebih cepat dari hipotesis → simulasi → wawasan ilmiah.

Arah Baru dalam AI untuk Penelitian Ilmiah

Integrasi ini mencerminkan tren yang semakin berkembang dalam AI ilmiah: menggabungkan model bahasa sebagai pengatur (orchestration layer) dengan model khusus yang melakukan komputasi ilmiah sebenarnya.

Alih‑alih meminta model bahasa menebak perilaku kimia dari teks, Claude kini dapat mengarahkan permintaan pengguna ke model berbasis fisika yang memang dirancang untuk simulasi tersebut.

Hasilnya adalah alur kerja hibrida: AI percakapan mengoordinasikan simulasi yang didasarkan pada matematika dan fisika nyata dari molekul dan material. Jika pendekatan ini berhasil, teknologi seperti ini dapat membuka akses komputasi ilmiah tingkat lanjut bagi jauh lebih banyak peneliti—tanpa harus menjadi ahli pemrograman atau infrastruktur komputasi.