Simulaciones científicas con IA usando lenguaje natural: la nueva integración de SandboxAQ y Claude

En la práctica, esto convierte a un asistente conversacional en una especie de interfaz para modelos científicos basados en física.

Claude como interfaz para modelos científicos

La integración funciona enlazando Claude con los modelos de simulación de SandboxAQ a través del Model Context Protocol, un estándar abierto diseñado para conectar asistentes de IA con herramientas externas, sistemas de datos y software especializado.

Un investigador puede describir su objetivo —por ejemplo, evaluar el comportamiento de una molécula o probar distintos catalizadores— usando lenguaje natural. Claude interpreta la solicitud y, mediante MCP, la envía a los modelos de SandboxAQ, que ejecutan los cálculos y devuelven los resultados.

Tradicionalmente, este proceso requería scripts personalizados, APIs complejas y acceso a entornos de computación científica. Con este enfoque, las simulaciones pueden ejecutarse de forma conversacional, sin gestionar infraestructura ni escribir código de integración.

Qué son los Large Quantitative Models (LQM)

Los LQM de SandboxAQ no funcionan como los modelos de lenguaje tradicionales.

Mientras que los LLM aprenden patrones a partir de grandes cantidades de texto, los LQM están basados en principios físicos y matemáticos, lo que les permite simular sistemas reales como reacciones químicas, dinámica molecular o procesos cuantitativos complejos.

Según la compañía, estos modelos combinan simulación basada en física con aprendizaje automático para acelerar descubrimientos en áreas como:

• desarrollo de fármacos
• ciencia de materiales
• química industrial

Al integrarlos con una interfaz conversacional como Claude, los científicos pueden interactuar con simulaciones complejas de la misma forma que hacen preguntas a un asistente de IA.

Primer caso de uso: descubrimiento de catalizadores

El primer modelo disponible mediante esta integración es AQCat Adsorption Spin, una herramienta diseñada para investigar catalizadores heterogéneos, fundamentales en muchos procesos industriales y energéticos.

Usando lenguaje natural, los investigadores pueden:

• Predecir energías de adsorción de moléculas sobre superficies catalíticas
• Identificar puntos de cruce en energías de enlace
• Analizar composiciones de catalizadores para reacciones prometedoras

El modelo utiliza un motor de aprendizaje automático sensible al espín para sistemas catalíticos y puede ofrecer resultados comparables a simulaciones de teoría del funcional de la densidad (DFT), pero con mucho menos trabajo manual previo.

Gran parte de su capacidad proviene de datos masivos de química cuántica. Por ejemplo, el dataset AQCat25 incluye millones de cálculos sobre decenas de miles de sistemas catalíticos intermedios, utilizados para entrenar modelos de predicción catalítica.

Próximo paso: modelos para descubrimiento de fármacos

SandboxAQ planea extender el mismo enfoque conversacional a otras áreas científicas.

Entre los modelos anunciados para flujos de trabajo en biotecnología y farmacéutica se encuentran:

• AQPotency, centrado en predecir la potencia de moléculas candidatas a fármacos
• AQCell, diseñado para modelar interacciones celulares y efectos biológicos

La idea es que herramientas de descubrimiento de medicamentos —que normalmente utilizan equipos especializados en química computacional— puedan integrarse de forma más directa en el trabajo diario de investigadores.

Hacia una “IA cuantitativa” a gran escala

Para SandboxAQ, esta integración no es solo una nueva función de producto. Representa un paso hacia lo que la empresa denomina “IA cuantitativa”: modelos capaces de simular fenómenos físicos reales y distribuirlos a través de interfaces de IA ampliamente utilizadas.

Históricamente, ejecutar modelos científicos avanzados exigía combinar conocimiento de dominio con habilidades de programación y acceso a infraestructura de computación intensiva. Al usar modelos de lenguaje como capa de interacción, la empresa intenta reducir esa fricción.

Si el enfoque se adopta ampliamente, podría ampliar el uso de simulaciones cuantitativas en sectores como:

• biotecnología y descubrimiento de fármacos
• energía y desarrollo de catalizadores
• química industrial
• investigación de materiales avanzados

La apuesta es que, al eliminar la barrera técnica entre hipótesis científica y simulación, los investigadores puedan pasar más rápido de una idea a resultados medibles.

Un modelo híbrido para la investigación científica con IA

La integración refleja una tendencia emergente en la investigación impulsada por IA: combinar modelos de lenguaje como capa de orquestación con modelos especializados que realizan cálculos científicos reales.

En lugar de intentar que un modelo de lenguaje razone sobre química o materiales únicamente a partir de texto, Claude puede redirigir la solicitud a modelos físicos diseñados específicamente para esos dominios.

El resultado es un flujo de trabajo híbrido donde la conversación con IA coordina simulaciones basadas en las matemáticas y la física reales de moléculas y materiales.

Si este enfoque se consolida, herramientas que antes requerían infraestructuras complejas podrían volverse accesibles para una comunidad científica mucho más amplia.