SandboxAQ把物理驱动的AI模型接入Claude：科学模拟可以用一句话完成

Claude变成科学模拟的入口

在这套系统中，Claude不负责真正的物理计算，而是作为“调度层”。研究人员可以直接输入类似自然语言的问题，例如：

• 某种催化剂表面对特定分子的吸附能是多少？
• 哪种材料组合可能更适合某个反应？

Claude会解析这些请求，并通过MCP把任务发送给SandboxAQ的模拟模型。模型完成计算后，再把结果返回给Claude展示给用户。

MCP是一种开放协议，用于把AI助手连接到外部工具、数据库或计算系统。它的目标是提供统一的连接方式，避免每个工具都需要单独的API或复杂集成。

对于科研人员来说，这意味着很多传统步骤可以被省略，例如：编写脚本、配置模拟软件、管理计算资源等。SandboxAQ表示，科学家可以在不编写代码的情况下，通过对话运行高精度分子模拟。

什么是Large Quantitative Models（LQMs）

SandboxAQ的LQM与常见的大语言模型（LLM）不同。

LLM主要通过学习文本模式来生成或理解语言，而LQM则是基于物理规律构建的模型，能够模拟现实世界中的定量过程，例如：

• 化学反应
• 分子动力学
• 微观反应动力学

这些模型把传统物理模拟方法与机器学习结合起来，目标是加速药物研发、材料发现等科研过程。

换句话说，Claude负责“理解问题”，而LQM负责“做计算”。这种组合让研究人员可以像和AI聊天一样使用复杂的科学模拟系统。

第一个应用场景：催化剂发现

目前接入Claude的第一个模型是AQCat Adsorption Spin，主要用于异相催化剂研究。

通过自然语言输入，材料科学家可以：

• 预测分子在催化剂表面的吸附能
• 找到绑定能的交叉点
• 快速筛选不同催化剂组合

该模型基于SandboxAQ的自旋感知机器学习引擎，可提供接近密度泛函理论（DFT）模拟的洞察，但所需设置和计算流程大幅减少。

催化剂研究是一个重要领域，因为全球大多数工业化学过程都依赖催化剂。训练相关模型的数据集（例如AQCat25）包含数千万级量子化学计算数据，覆盖数万个催化体系。

下一步：面向药物研发的模型

SandboxAQ表示，未来将把更多LQM模型通过同样方式接入Claude。

在生物医药领域，计划推出的模型包括：

• AQPotency：用于预测候选药物分子的药效强度
• AQCell：用于模拟细胞层面的生物相互作用

这些工具原本主要由计算化学或生物信息学团队使用，而自然语言接口可能让更多研究人员直接参与计算驱动的药物发现流程。

为什么SandboxAQ称之为“定量AI规模化”

SandboxAQ把这次整合看作不仅仅是产品功能升级，而是一种新的技术分发方式。

长期以来，运行复杂科学模型需要两类专业能力：领域知识和编程能力。通过把语言模型作为交互层，公司希望把使用门槛从“写代码”降到“描述问题”。

如果这种模式被广泛采用，物理驱动的AI模拟工具可能会扩展到多个行业，包括：

• 生物医药与药物研发
• 能源与催化剂开发
• 工业化学
• 先进材料研究

核心逻辑很简单：当研究人员可以直接用自然语言提出假设并立即运行模拟时，从科学问题 → 模拟 → 结论的研究周期就可能明显缩短。

科学AI的新趋势：语言模型负责“协调”，专业模型负责“计算”

这一整合也体现了AI科研工具的发展方向：让语言模型承担“编排与接口”的角色，而真正的科学计算由专业模型完成。

与其让LLM仅凭文本推理化学或材料问题，不如让它把请求路由到专门的物理模型上。这样，计算仍然基于真实的数学和物理规律，而语言模型负责让这些工具更容易使用。

如果这种架构成熟，复杂的计算科学可能会变得像使用搜索引擎一样简单——研究人员只需提出问题，模拟就能自动运行。