AI vật lý của SandboxAQ giờ có thể chạy mô phỏng khoa học trực tiếp qua Claude

Theo tài liệu của SandboxAQ, quy trình này cho phép chạy mô phỏng phân tử độ chính xác cao mà không cần viết mã hoặc quản lý hạ tầng tính toán.

LQM khác gì so với các mô hình ngôn ngữ lớn

Không giống như các Large Language Models (LLMs) vốn học từ văn bản, Large Quantitative Models (LQMs) của SandboxAQ được xây dựng dựa trên các quy luật vật lý và toán học của thế giới thực.

Chúng có thể mô phỏng:

• phản ứng hóa học
• động lực học phân tử
• các quá trình vi mô trong vật liệu

SandboxAQ cho biết các mô hình này kết hợp mô phỏng dựa trên vật lý với machine learning để tăng tốc khám phá trong các lĩnh vực như phát triển thuốc và khoa học vật liệu.

Khi được kết nối với giao diện ngôn ngữ tự nhiên như Claude, các nhà khoa học có thể tương tác với các mô hình định lượng phức tạp giống như đang đặt câu hỏi cho một trợ lý AI.

Trường hợp sử dụng đầu tiên: tìm chất xúc tác với AQCat Adsorption Spin

Công cụ đầu tiên được triển khai trong tích hợp này là AQCat Adsorption Spin, một mô hình dùng cho khám phá chất xúc tác dị thể.

Thông qua các câu lệnh ngôn ngữ tự nhiên, nhà khoa học vật liệu có thể:

• dự đoán năng lượng hấp phụ của phân tử trên bề mặt xúc tác
• xác định điểm giao nhau của năng lượng liên kết
• sàng lọc thành phần xúc tác cho các phản ứng triển vọng

Mô hình này dựa trên engine machine learning có tính đến hiệu ứng spin trong hệ xúc tác của SandboxAQ và có thể cung cấp kết quả tương tự các mô phỏng density functional theory (DFT) nhưng với ít bước thiết lập thủ công hơn.

Khám phá chất xúc tác là một lĩnh vực quan trọng vì xúc tác đóng vai trò trong phần lớn các quy trình hóa học công nghiệp và sản xuất năng lượng. Dataset dùng để huấn luyện các mô hình như AQCat25 bao gồm hàng triệu phép tính hóa học lượng tử trên hàng chục nghìn hệ xúc tác.

Các mô hình tiếp theo cho ngành dược

SandboxAQ cho biết nhiều LQM khác sẽ sớm được cung cấp theo cùng cách truy cập hội thoại.

Hai mô hình đáng chú ý cho quy trình nghiên cứu dược sinh học gồm:

• AQPotency – dự đoán độ mạnh (potency) của các phân tử ứng viên thuốc
• AQCell – mô phỏng tương tác ở cấp độ tế bào và các hiệu ứng sinh học

Mục tiêu là đưa các công cụ tính toán trong khám phá thuốc—trước đây thường chỉ dành cho các nhóm chuyên gia hóa học tính toán—vào quy trình nghiên cứu rộng hơn thông qua giao diện ngôn ngữ tự nhiên.

Vì sao SandboxAQ gọi đây là bước tiến của “quantitative AI”

Theo SandboxAQ, việc tích hợp với Claude không chỉ là một tính năng mới mà là một chiến lược lớn hơn: phân phối các mô hình AI dựa trên vật lý thông qua những giao diện LLM quen thuộc.

Trước đây, việc chạy các mô hình khoa học tiên tiến thường yêu cầu:

• chuyên môn sâu trong lĩnh vực
• kỹ năng lập trình
• môi trường tính toán chuyên dụng

Khi LLM đóng vai trò lớp giao diện, nhà nghiên cứu có thể tập trung vào câu hỏi khoa học thay vì việc tích hợp phần mềm.

Nếu được áp dụng rộng rãi, cách tiếp cận này có thể mở rộng các công cụ mô phỏng định lượng sang nhiều ngành, bao gồm:

• dược sinh học và khám phá thuốc
• năng lượng và phát triển xúc tác
• hóa học công nghiệp
• nghiên cứu vật liệu tiên tiến

Ý tưởng cốt lõi là rút ngắn hành trình từ giả thuyết → mô phỏng → hiểu biết khoa học, khi rào cản giao diện giảm từ code xuống các câu lệnh ngôn ngữ tự nhiên.

Ý nghĩa đối với nghiên cứu khoa học dùng AI

Sự tích hợp này phản ánh một xu hướng mới trong AI khoa học: kết hợp mô hình ngôn ngữ làm lớp điều phối với các mô hình chuyên biệt thực hiện tính toán khoa học thực sự.

Thay vì để LLM suy luận về hóa học hay vật liệu chỉ từ văn bản, Claude có thể chuyển yêu cầu đến các mô hình được xây dựng dựa trên vật lý và toán học. Kết quả là một quy trình lai: AI hội thoại điều phối các mô phỏng dựa trên các phương trình và định luật thực tế của phân tử và vật liệu.

Nếu mô hình này chứng minh hiệu quả, nó có thể giúp nhiều nhà nghiên cứu tiếp cận các công cụ khoa học tính toán mạnh mẽ—mà không cần trở thành chuyên gia về lập trình, pipeline mô phỏng hay hạ tầng HPC.