SandboxAQ liga seus modelos científicos ao Claude e transforma prompts em simulações de química e materiais

O que diferencia os Large Quantitative Models

Os LQMs da SandboxAQ não são modelos de linguagem tradicionais. Em vez de aprender padrões a partir de texto, eles são modelos fundamentados nas leis da física, projetados para simular sistemas reais — incluindo reações químicas, dinâmica molecular e outros processos quantitativos.

A empresa descreve esses modelos como uma combinação de métodos de simulação física com aprendizado de máquina, com o objetivo de acelerar descobertas em áreas como desenvolvimento de medicamentos e ciência de materiais.

Ao combinar esses modelos quantitativos com uma interface de linguagem natural, pesquisadores podem interagir com simulações científicas de forma semelhante a conversar com um assistente de IA.

Primeiro caso de uso: descoberta de catalisadores

O primeiro modelo disponível na integração com Claude é o AQCat Adsorption Spin, projetado para descoberta de catalisadores heterogêneos.

Por meio de prompts em linguagem natural, cientistas de materiais podem:

• Prever energias de adsorção de moléculas em superfícies catalíticas
• Identificar pontos de cruzamento de energia de ligação
• Testar diferentes composições de catalisadores para reações promissoras

O modelo utiliza o mecanismo de aprendizado de máquina sensível ao spin da SandboxAQ para sistemas catalíticos e pode oferecer insights comparáveis a simulações de DFT (Density Functional Theory), mas com muito menos preparação manual.

A descoberta de catalisadores é um campo estratégico porque catalisadores estão presentes em grande parte da química industrial e da produção de energia. Conjuntos de dados usados para treinar modelos como o AQCat25 incluem milhões de cálculos de química quântica aplicados a dezenas de milhares de sistemas catalíticos.

Próximos modelos: foco em descoberta de medicamentos

A SandboxAQ afirma que novos modelos seguirão o mesmo padrão de acesso conversacional.

Entre os próximos LQMs planejados para fluxos de trabalho de biotecnologia estão:

• AQPotency, voltado para prever a potência de moléculas candidatas a medicamentos
• AQCell, projetado para modelar interações celulares e efeitos biológicos

A ideia é levar ferramentas de descoberta computacional de fármacos — que tradicionalmente ficam restritas a equipes especializadas em química computacional — para um fluxo de pesquisa mais amplo baseado em linguagem natural.

O passo rumo à “IA quantitativa” em escala

Para a SandboxAQ, a integração com Claude representa mais do que um novo recurso. A empresa a apresenta como parte de uma estratégia maior: distribuir modelos científicos baseados em física por meio de interfaces de linguagem amplamente usadas.

Historicamente, rodar modelos científicos avançados exigia tanto conhecimento profundo da área quanto habilidades de programação. Ao usar modelos de linguagem como camada de interface, a empresa tenta reduzir essa fricção para que pesquisadores se concentrem nas perguntas científicas — e não na infraestrutura de software.

Se adotado amplamente, esse modelo pode expandir o uso de simulações quantitativas em diversos setores, incluindo:

• Biotecnologia e descoberta de medicamentos
• Energia e desenvolvimento de catalisadores
• Química industrial
• Pesquisa em materiais avançados

A lógica é simples: quando a barreira de interface cai do código para a linguagem natural, pesquisadores podem ir mais rápido da hipótese à simulação e ao insight científico.

Um novo padrão para pesquisa científica com IA

A integração também ilustra uma tendência crescente na IA científica: combinar modelos de linguagem como camada de orquestração com modelos especializados que executam cálculos científicos reais.

Em vez de pedir que um LLM "raciocine" sobre química ou materiais apenas com base em texto, o Claude pode encaminhar a solicitação para modelos baseados em física projetados especificamente para esses domínios. O resultado é um fluxo híbrido: a IA conversacional coordena simulações que operam diretamente sobre a matemática e a física de moléculas e materiais.

Se essa abordagem se consolidar, ferramentas de computação científica avançada podem se tornar acessíveis a um número muito maior de pesquisadores — sem exigir que eles se tornem especialistas em programação, pipelines de simulação ou infraestrutura de computação de alto desempenho.