Des simulations scientifiques pilotées en langage naturel grâce à l’intégration SandboxAQ–Claude

Dans ce système, un chercheur peut simplement formuler une demande comme : analyser le comportement d’une molécule sur une surface catalytique ou comparer différents matériaux pour une réaction chimique. Claude interprète la demande, la traduit en tâche de simulation et l’envoie aux modèles de SandboxAQ via la connexion MCP. Les résultats sont ensuite renvoyés dans la conversation.

Ce flux remplace un processus qui nécessitait auparavant des scripts personnalisés, des API complexes et un accès à une infrastructure de calcul spécialisée. Selon la documentation de SandboxAQ, les scientifiques peuvent désormais exécuter des simulations moléculaires de haute précision de manière conversationnelle, sans gérer l’infrastructure informatique sous-jacente.

Les Large Quantitative Models : une IA basée sur la physique

Les LQMs de SandboxAQ se distinguent des grands modèles de langage classiques. Au lieu d’apprendre principalement à partir de texte, ils sont ancrés dans les lois de la physique et conçus pour simuler des systèmes réels, comme les réactions chimiques ou les interactions moléculaires.

Ces modèles combinent des méthodes de simulation physique avec l’apprentissage automatique afin d’accélérer la découverte scientifique, notamment dans la recherche de médicaments ou la conception de nouveaux matériaux.

En les connectant à une interface en langage naturel comme Claude, SandboxAQ permet aux chercheurs d’interagir avec des simulations scientifiques complexes de la même manière qu’ils poseraient une question à un assistant IA.

Premier cas d’usage : la découverte de catalyseurs

Le premier outil accessible via cette intégration est AQCat Adsorption Spin, un modèle dédié à la découverte de catalyseurs hétérogènes.

Grâce à des prompts en langage naturel, les scientifiques peuvent notamment :

• prédire les énergies d’adsorption de molécules sur des surfaces catalytiques ;
• identifier des points de croisement d’énergie de liaison ;
• tester rapidement différentes compositions de catalyseurs pour une réaction donnée.

Ce modèle s’appuie sur le moteur d’apprentissage automatique « spin‑aware » de SandboxAQ et peut fournir des informations proches de celles obtenues avec des simulations DFT (Density Functional Theory), mais avec beaucoup moins de préparation technique.

La recherche de catalyseurs est un domaine crucial : les catalyseurs interviennent dans une grande partie de la chimie industrielle et de la production d’énergie. Les modèles comme AQCat25 ont été entraînés sur d’immenses ensembles de données comprenant des millions de calculs de chimie quantique portant sur des dizaines de milliers de systèmes catalytiques.

Prochaine étape : la découverte de médicaments

SandboxAQ prévoit d’étendre ce modèle d’accès conversationnel à d’autres domaines scientifiques, notamment la biopharmacie.

Deux LQMs sont déjà annoncés pour les workflows de découverte de médicaments :

• AQPotency, destiné à prédire la puissance (potency) de molécules candidates ;
• AQCell, conçu pour modéliser les interactions cellulaires et les effets biologiques.

L’objectif est de rendre les outils de simulation utilisés en chimie computationnelle et en biologie computationnelle accessibles à un public de chercheurs plus large, et pas seulement à des équipes spécialisées en calcul scientifique.

Vers une “IA quantitative” accessible à grande échelle

Pour SandboxAQ, cette intégration représente plus qu’une simple fonctionnalité. Elle s’inscrit dans une stratégie visant à diffuser des modèles scientifiques basés sur la physique via des interfaces d’IA conversationnelle largement utilisées.

Historiquement, exploiter des modèles scientifiques avancés demandait à la fois une expertise métier et des compétences en programmation. En utilisant les modèles de langage comme couche d’interface, l’entreprise espère réduire cette friction et permettre aux chercheurs de se concentrer davantage sur leurs questions scientifiques.

Si ce modèle se généralise, les simulations quantitatives pourraient devenir plus accessibles dans de nombreux secteurs :

• la biopharmacie et la découverte de médicaments ;
• l’énergie et le développement de catalyseurs ;
• la chimie industrielle ;
• la recherche sur les matériaux avancés.

L’idée centrale est simple : lorsque l’interface passe du code au langage naturel, les chercheurs peuvent aller plus vite de l’hypothèse à la simulation, puis à l’insight scientifique.

Une nouvelle architecture pour l’IA scientifique

Cette intégration illustre une tendance plus large dans l’IA appliquée à la recherche : utiliser les modèles de langage comme couche d’orchestration, tout en déléguant les calculs scientifiques à des modèles spécialisés.

Au lieu de demander à un LLM de raisonner sur la chimie ou les matériaux uniquement à partir de texte, Claude peut désormais rediriger les requêtes vers des modèles fondés sur la physique capables d’effectuer de véritables calculs.

Le résultat est un flux de travail hybride où une IA conversationnelle coordonne des simulations scientifiques reposant sur les mathématiques et les lois physiques des molécules et des matériaux.

Si cette approche se généralise, elle pourrait rendre la science computationnelle avancée accessible à beaucoup plus de chercheurs — sans exiger qu’ils deviennent experts en programmation, en pipelines de simulation ou en calcul haute performance.