Claude теперь может запускать научные симуляции SandboxAQ по текстовым запросам

Современные научные симуляции — например, моделирование молекул или материалов — обычно требуют сложного программирования, доступа к мощным вычислительным кластерам и экспертизы в области вычислительной химии. Новая интеграция SandboxAQ с моделью Claude от Anthropic пытается убрать большую часть этих барьеров.

Теперь Large Quantitative Models (LQM) компании SandboxAQ можно запускать через обычные текстовые запросы благодаря подключению к Claude с использованием Model Context Protocol (MCP). Фактически разговорный ИИ становится интерфейсом для запуска физически обоснованных научных моделей.

Claude как интерфейс для научных симуляций

Интеграция соединяет Claude с собственными моделями симуляции SandboxAQ через MCP — открытый протокол, который позволяет ИИ‑ассистентам работать с внешними инструментами, данными и сервисами.

На практике исследователь может сформулировать задачу на обычном языке — например, попросить проверить свойства катализатора или смоделировать поведение молекулы. Claude интерпретирует запрос и через MCP отправляет его в систему SandboxAQ, где выполняются реальные расчёты. Затем результаты возвращаются обратно пользователю.

Это заменяет привычный рабочий процесс, который обычно включает:

• написание скриптов
• работу с API
• настройку специализированной вычислительной среды

Согласно документации SandboxAQ, таким образом учёные могут запускать высокоточные молекулярные симуляции в разговорном интерфейсе, не управляя инфраструктурой и не создавая интеграции вручную.

Чем LQM отличаются от обычных языковых моделей

Large Quantitative Models существенно отличаются от привычных LLM.

Если языковые модели учатся на текстах и статистических закономерностях, то LQM основаны на физике и математических моделях реального мира. Они предназначены для моделирования процессов, таких как:

• химические реакции
• молекулярная динамика
• микрокинетика
• свойства материалов

Компания описывает LQM как комбинацию физических симуляций и машинного обучения, предназначенную для ускорения открытий в фармацевтике и материаловедении.

Связка LQM с интерфейсом на естественном языке позволяет взаимодействовать с такими симуляциями почти так же, как с обычным ИИ‑ассистентом.

Первый сценарий: поиск катализаторов

Первым инструментом, доступным через Claude, стала модель AQCat Adsorption Spin, предназначенная для исследования гетерогенных катализаторов.

С помощью обычных текстовых запросов исследователи могут:

• прогнозировать энергию адсорбции молекул на поверхности катализатора
• находить точки пересечения энергий связывания
• проводить первичный скрининг состава катализаторов для нужных реакций

Модель основана на спин‑ориентированном алгоритме машинного обучения SandboxAQ для каталитических систем. Она способна давать результаты, сопоставимые с симуляциями на основе density functional theory (DFT) — одним из стандартных методов вычислительной химии — но требует гораздо меньше ручной подготовки.

Катализаторы имеют огромное значение для промышленности: они используются в большинстве процессов химического производства и энергетики. Для обучения таких моделей применяются крупные датасеты квантово‑химических расчётов — например, набор AQCat25 включает миллионы вычислений для десятков тысяч систем катализаторов.

Следующий шаг — модели для разработки лекарств

SandboxAQ планирует расширять доступ к другим LQM через тот же разговорный интерфейс.

Среди моделей, ориентированных на фармацевтические исследования:

• AQPotency — прогнозирование эффективности потенциальных лекарственных молекул
• AQCell — моделирование клеточных взаимодействий и биологических эффектов

Цель — сделать инструменты вычислительного поиска лекарств доступными не только специалистам по вычислительной химии, но и более широкому кругу исследовательских команд.

Почему компания говорит о «масштабируемом количественном ИИ»

В SandboxAQ рассматривают интеграцию с Claude не как отдельную функцию, а как часть более широкой стратегии — распространения физических моделей ИИ через популярные интерфейсы языковых моделей.

Исторически запуск сложных научных моделей требовал сочетания глубоких научных знаний и навыков программирования. Использование LLM в роли интерфейса снижает этот барьер: исследователь может сосредоточиться на научном вопросе, а не на технической интеграции.

Если подход получит широкое распространение, такие системы могут ускорить исследования в различных отраслях, включая:

• биофармацевтику и разработку лекарств
• энергетику и катализ
• промышленную химию
• разработку новых материалов

Основная идея проста: чем легче перейти от гипотезы к симуляции и затем к научному выводу, тем быстрее могут происходить открытия.

Новый тренд: языковые модели как «оркестратор» научных вычислений

Интеграция отражает более широкий тренд в научном ИИ. Всё чаще языковые модели используются как слой управления, который направляет задачи к специализированным моделям.

Вместо того чтобы пытаться рассуждать о химии или материалах только на основе текстов, Claude может отправлять запросы в специализированные физические модели. В результате получается гибридная система: разговорный ИИ управляет симуляциями, которые опираются на реальные уравнения физики и химии.

Если такой подход окажется успешным, доступ к сложным вычислительным инструментам может появиться у гораздо большего числа исследователей — без необходимости становиться экспертами в программировании, вычислительной инфраструктуре или сложных симуляционных пайплайнах.