SandboxAQ เชื่อม AI เชิงฟิสิกส์กับ Claude ให้สั่งรันซิมูเลชันวิทยาศาสตร์ด้วยภาษาอังกฤษธรรมดา

ผลลัพธ์คือ Claude กลายเป็นเหมือน “หน้าจอควบคุมแบบสนทนา” สำหรับโมเดลจำลองทางวิทยาศาสตร์

เปลี่ยน Claude ให้เป็นอินเทอร์เฟซสำหรับซิมูเลชันวิทยาศาสตร์

การทำงานของระบบนี้อาศัย Model Context Protocol (MCP) ซึ่งเป็นมาตรฐานแบบเปิดที่ออกแบบมาเพื่อเชื่อมผู้ช่วย AI เข้ากับเครื่องมือ ระบบข้อมูล และซอฟต์แวร์ภายนอก

ในเวิร์กโฟลว์จริง นักวิจัยสามารถพิมพ์คำสั่งลักษณะนี้ได้ เช่น

• ขอประเมินพฤติกรรมของโมเลกุลบนพื้นผิวตัวเร่งปฏิกิริยา
• เปรียบเทียบวัสดุสำหรับปฏิกิริยาเคมีเฉพาะ
• คัดกรองโครงสร้างโมเลกุลที่มีศักยภาพ

Claude จะตีความคำถาม แล้วส่งต่อผ่าน MCP ไปยังโมเดลของ SandboxAQ เพื่อรันการคำนวณ จากนั้นจึงส่งผลลัพธ์กลับมาให้ผู้ใช้

กระบวนการนี้แทนที่ขั้นตอนเดิมที่ต้องเขียนโค้ด เชื่อม API และจัดการระบบคอมพิวต์ที่ซับซ้อน โดยเอกสารของ SandboxAQ ระบุว่านักวิทยาศาสตร์สามารถ รันซิมูเลชันโมเลกุลความแม่นยำสูงแบบสนทนาได้ทันที โดยไม่ต้องจัดการโครงสร้างพื้นฐานหรือการเชื่อมต่อระบบเอง

Large Quantitative Models ต่างจาก LLM อย่างไร

แม้ชื่อจะคล้ายกับโมเดลภาษา แต่ Large Quantitative Models (LQMs) แตกต่างจาก LLM ทั่วไปอย่างสำคัญ

• LLM เรียนรู้จากรูปแบบของข้อความ
• LQM ถูกสร้างบน กฎฟิสิกส์และคณิตศาสตร์ของโลกจริง

โมเดลเหล่านี้สามารถจำลองระบบจริง เช่น

• ปฏิกิริยาเคมี
• พลวัตของโมเลกุล
• ปฏิกิริยาระดับอะตอมในวัสดุ

SandboxAQ อธิบายว่า LQMs ผสาน การจำลองเชิงฟิสิกส์กับแมชชีนเลิร์นนิง เพื่อเร่งการค้นพบในด้านสำคัญ เช่น การพัฒนายาและวัสดุใหม่

เมื่อจับคู่โมเดลเชิงคำนวณเหล่านี้เข้ากับอินเทอร์เฟซภาษาธรรมชาติ นักวิจัยจึงสามารถโต้ตอบกับการจำลองวิทยาศาสตร์ได้เหมือนถามผู้ช่วย AI

เครื่องมือแรก: AQCat Adsorption Spin สำหรับค้นหาตัวเร่งปฏิกิริยา

เครื่องมือแรกที่เปิดให้ใช้ผ่าน Claude คือ AQCat Adsorption Spin ซึ่งออกแบบมาสำหรับการค้นหาตัวเร่งปฏิกิริยาแบบ heterogeneous catalyst

นักวิทยาศาสตร์วัสดุสามารถใช้คำสั่งภาษาธรรมดาเพื่อ

• คำนวณพลังงานการดูดซับของโมเลกุลบนพื้นผิวตัวเร่ง
• หา binding‑energy crossover
• คัดกรององค์ประกอบของตัวเร่งปฏิกิริยาที่มีศักยภาพ

โมเดลนี้สร้างจากเอนจินแมชชีนเลิร์นนิงที่คำนึงถึง spin states ของระบบตัวเร่ง และให้ข้อมูลเชิงลึกใกล้เคียงการจำลองแบบ Density Functional Theory (DFT) แต่ใช้ขั้นตอนตั้งค่าน้อยกว่ามาก

ด้านข้อมูลฝึกโมเดล เช่นชุดข้อมูล AQCat25 มีการคำนวณเคมีควอนตัมหลายล้านครั้ง ครอบคลุมระบบตัวเร่งหลายหมื่นแบบ เพื่อให้โมเดลทำนายคุณสมบัติวัสดุได้แม่นยำขึ้น

โมเดลต่อไป: งานค้นคว้ายา

SandboxAQ ระบุว่าจะเพิ่มโมเดลอื่น ๆ ที่เข้าถึงผ่าน Claude ในลักษณะเดียวกัน โดยเน้นไปที่ชีวเภสัชภัณฑ์

สองโมเดลที่ถูกกล่าวถึง ได้แก่

• AQPotency — ทำนายความแรง (potency) ของโมเลกุลยาที่กำลังพัฒนา
• AQCell — จำลองปฏิสัมพันธ์ระดับเซลล์และผลกระทบทางชีววิทยา

แนวคิดคือการนำเครื่องมือ computational drug discovery ที่เดิมต้องใช้ทีมเคมีเชิงคำนวณเฉพาะทาง มาใช้ในเวิร์กโฟลว์วิจัยทั่วไปผ่านอินเทอร์เฟซภาษาธรรมชาติ

ก้าวสำคัญสู่ “Quantitative AI” ในวงกว้าง

SandboxAQ มองว่าการเชื่อม Claude กับ LQMs ไม่ใช่แค่ฟีเจอร์ใหม่ แต่เป็นก้าวสำคัญในการกระจาย AI เชิงคำนวณทางวิทยาศาสตร์ ไปสู่ผู้ใช้จำนวนมาก

ในอดีต การรันโมเดลจำลองขั้นสูงต้องใช้ทั้งผู้เชี่ยวชาญเฉพาะด้านและทักษะการเขียนโปรแกรม แต่การใช้โมเดลภาษาเป็นชั้นอินเทอร์เฟซช่วยลดอุปสรรคนี้ลง ทำให้นักวิจัยโฟกัสที่คำถามทางวิทยาศาสตร์แทนการจัดการซอฟต์แวร์

หากแนวทางนี้ถูกนำไปใช้กว้างขึ้น อาจช่วยขยายการใช้เครื่องมือจำลองเชิงปริมาณในหลายอุตสาหกรรม เช่น

• ชีวเภสัชและการค้นคว้ายา
• พลังงานและการพัฒนาตัวเร่งปฏิกิริยา
• เคมีอุตสาหกรรม
• วัสดุขั้นสูง

แนวคิดสำคัญคือการทำให้กระบวนการวิจัยเดินหน้าเร็วขึ้น จาก

ตั้งสมมติฐาน → รันซิมูเลชัน → ได้อินไซต์

เมื่ออินเทอร์เฟซลดจาก “การเขียนโค้ด” เหลือเพียง “การถามเป็นภาษา”

แนวโน้มใหม่ของ AI ในงานวิทยาศาสตร์

การผสาน SandboxAQ กับ Claude ยังสะท้อนแนวโน้มที่กำลังเติบโตในวงการ AI วิทยาศาสตร์

แทนที่จะให้ LLM พยายามวิเคราะห์เคมีหรือวัสดุจากข้อความเพียงอย่างเดียว ระบบจะใช้ LLM เป็นตัวประสานงาน (orchestration layer) แล้วส่งงานคำนวณจริงไปยังโมเดลเฉพาะทางที่เข้าใจฟิสิกส์ของระบบ

ผลลัพธ์คือเวิร์กโฟลว์แบบไฮบริด ที่ผู้ช่วย AI แบบสนทนาจะจัดการการสั่งงาน ขณะที่โมเดลเชิงฟิสิกส์ทำการคำนวณจริงของโมเลกุล วัสดุ และปฏิกิริยา

หากแนวทางนี้ประสบความสำเร็จ ซอฟต์แวร์วิทยาศาสตร์ขั้นสูงอาจเข้าถึงนักวิจัยจำนวนมากขึ้น โดยไม่จำเป็นต้องมีความเชี่ยวชาญด้านการเขียนโปรแกรมหรือระบบคอมพิวเตอร์ประสิทธิภาพสูงอีกต่อไป