SandboxAQ bringt physikbasierte KI in Claude – Simulationen jetzt per einfacher Sprache

Claude als Schnittstelle für wissenschaftliche Simulationen

Möglich wird das durch das Model Context Protocol (MCP), einen offenen Standard, mit dem KI‑Assistenten auf externe Tools, Datenquellen und Software zugreifen können.

In der Praxis läuft der Ablauf so ab:

• Eine Forscherin beschreibt eine Aufgabe, etwa das Screening möglicher Katalysatoren.
• Claude interpretiert die Anfrage.
• Über MCP wird sie an SandboxAQs wissenschaftliche Modelle weitergeleitet.
• Die Modelle führen die Simulation durch und liefern Ergebnisse zurück.

Dadurch fungiert Claude als dialogbasierte Benutzeroberfläche für physikalische Simulationen. Laut SandboxAQ können Forschende so hochpräzise Molekülsimulationen ausführen, ohne eigene Infrastruktur zu verwalten oder APIs zu integrieren.

Was Large Quantitative Models von klassischen KI‑Modellen unterscheidet

SandboxAQ bezeichnet seine Systeme als Large Quantitative Models – kurz LQMs. Anders als klassische Large Language Models, die hauptsächlich Textmuster lernen, basieren LQMs auf physikalischen und mathematischen Modellen realer Systeme.

Sie kombinieren physikbasierte Simulation mit maschinellem Lernen, um beispielsweise:

• chemische Reaktionen zu simulieren
• Moleküldynamik zu berechnen
• Materialeigenschaften vorherzusagen

Solche Modelle werden vor allem eingesetzt, um Forschung in Bereichen wie Materialwissenschaft und Wirkstoffentwicklung zu beschleunigen.

Die Integration mit Claude verbindet nun diese mathematisch‑physikalischen Modelle mit einer natürlichen Spracheingabe – eine Kombination, die Simulationen für deutlich mehr Forschende zugänglich machen soll.

Erste Anwendung: Katalysator‑Suche mit AQCat Adsorption Spin

Das erste Modell, das über Claude verfügbar ist, heißt AQCat Adsorption Spin. Es wurde speziell für die Suche nach neuen heterogenen Katalysatoren entwickelt.

Mit einfachen Prompts können Materialwissenschaftler beispielsweise:

• Adsorptionsenergien von Molekülen auf Katalysatoroberflächen berechnen
• sogenannte Bindungsenergie‑Crossover‑Punkte identifizieren
• unterschiedliche Katalysatorzusammensetzungen für Reaktionen testen

Das Modell nutzt SandboxAQs spin‑sensitives Machine‑Learning‑System für katalytische Prozesse und liefert Ergebnisse, die mit klassischen DFT‑Simulationen (Density Functional Theory) vergleichbar sein können – allerdings mit deutlich weniger manuellem Aufwand.

Die zugrunde liegenden Trainingsdaten stammen unter anderem aus großen Datensätzen wie AQCat25, die Millionen quantenchemischer Berechnungen zu zehntausenden Katalysatorsystemen enthalten.

Nächster Schritt: Modelle für die Wirkstoffforschung

SandboxAQ plant bereits weitere LQMs, die über denselben Ansatz verfügbar werden sollen. Besonders für die biopharmazeutische Forschung sind zwei Modelle angekündigt:

• AQPotency, das die Wirksamkeit potenzieller Wirkstoffmoleküle vorhersagen soll
• AQCell, das Zellinteraktionen und biologische Effekte modelliert

Damit könnten Tools aus der computergestützten Wirkstoffentwicklung, die bislang vor allem spezialisierten Teams vorbehalten waren, in breitere Forschungsabläufe integriert werden.

Ein Schritt hin zu „Quantitative AI“ im großen Maßstab

SandboxAQ sieht die Claude‑Integration nicht nur als neues Feature, sondern als Teil einer größeren Strategie: physikbasierte KI‑Modelle über verbreitete Sprachmodelle zugänglich zu machen.

Bisher benötigten viele dieser Simulationen sowohl Fachwissen als auch Programmiererfahrung. Wenn Sprachmodelle als Schnittstelle dienen, könnte sich der Fokus stärker auf wissenschaftliche Fragestellungen verlagern – statt auf Software‑Integration.

Sollte sich dieser Ansatz durchsetzen, könnten quantitative Simulationsmodelle in vielen Industrien schneller genutzt werden, etwa in:

• Biopharma und Wirkstoffentwicklung
• Energie‑ und Katalysatorforschung
• industrieller Chemie
• Entwicklung neuer Materialien

Die zentrale Idee: Wenn Forschende direkt in natürlicher Sprache mit komplexen Modellen interagieren können, verkürzt sich der Weg von Hypothese über Simulation bis zur wissenschaftlichen Erkenntnis deutlich.

Warum diese Kombination für KI‑gestützte Forschung interessant ist

Die Integration zeigt einen Trend in der wissenschaftlichen KI: Sprachmodelle dienen zunehmend als Orchestrierungsschicht, während spezialisierte Modelle die eigentlichen Berechnungen durchführen.

Anstatt ein Sprachmodell nur über Chemie oder Materialien „nachdenken“ zu lassen, kann Claude Anfragen direkt an physikbasierte Modelle weiterleiten, die auf realen Gleichungen und Simulationen beruhen.

Damit entsteht ein hybrider Ansatz: Konversationelle KI als Interface – wissenschaftliche Modelle als Rechenmotor. Gelingt dieser Ansatz in der Praxis, könnten deutlich mehr Forschende Zugang zu leistungsfähigen Simulationswerkzeugen erhalten, ohne selbst Experten für Programmierung oder Hochleistungsrechnen zu sein.