SandboxAQ เชื่อม AI เชิงฟิสิกส์กับ Claude ให้สั่งรันซิมูเลชันวิทยาศาสตร์ด้วยภาษาอังกฤษธรรมดา

การทำ ซิมูเลชันทางวิทยาศาสตร์ระดับสูง ปกติแล้วต้องอาศัยทั้งการเขียนโค้ดเฉพาะทาง โครงสร้างคอมพิวเตอร์ประสิทธิภาพสูง (HPC) และความเชี่ยวชาญด้านคอมพิวเตอร์เชิงวิทยาศาสตร์ แต่การผสานเทคโนโลยีใหม่ระหว่าง SandboxAQ และ Anthropic กำลังลดข้อจำกัดเหล่านี้ลงอย่างมาก

บริษัท SandboxAQ ได้เชื่อม Large Quantitative Models (LQMs) ซึ่งเป็นโมเดล AI เชิงฟิสิกส์ของตน เข้ากับ Claude ผ่านมาตรฐาน Model Context Protocol (MCP) ทำให้นักวิจัยสามารถสั่งรันซิมูเลชันโมเลกุลหรือวัสดุได้ด้วย คำสั่งภาษาอังกฤษธรรมดา แทนการเขียนโค้ดหรือสร้างสคริปต์เอง

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