SandboxAQ把物理模擬AI接上Claude　科學家用普通英文即可做科學模擬

先進科學模擬通常門檻相當高：要寫專門程式、配置高效能運算（HPC），還需要計算化學或材料科學背景。SandboxAQ與Anthropic最新的整合，正試圖把這些門檻大幅降低。

透過把SandboxAQ的 Large Quantitative Models（LQMs） 接入 Anthropic 的 Claude，並使用 Model Context Protocol（MCP） 作為連接機制，研究人員現在可以用接近日常英文的提示詞來運行分子或材料模擬，而不需要自己寫程式。整體上，Claude就像變成了物理模擬系統的對話式入口。

把Claude變成科學模擬的操作介面

這個整合的核心，是利用 Model Context Protocol（MCP） 把Claude與SandboxAQ的專有科學AI模型連接起來。MCP是一個開放標準，用來讓AI助理安全地連接外部工具與資料系統。

實際操作時，研究人員只需要用自然語言描述研究任務，例如：

• 想篩選某類催化劑
• 想了解某個分子的吸附行為
• 想比較不同材料表面的反應特性

Claude會把這些描述轉換成結構化的模擬任務，透過MCP發送到SandboxAQ的模型，計算完成後再把結果回傳給使用者。

過去類似工作通常要自己寫腳本、調用API、甚至部署複雜的計算環境。現在的目標是讓研究人員 直接用對話方式啟動高精度模擬。

LQM：與一般大型語言模型不同的AI

SandboxAQ的 Large Quantitative Models（LQMs） 與一般大型語言模型（LLMs）有本質差異。

LLM主要從文字資料中學習模式，而LQM則是 建立在物理與化學規律之上的模型，用來模擬真實世界的系統，例如：

• 化學反應
• 分子動力學
• 催化反應機制

SandboxAQ把物理模擬方法與機器學習結合，目標是加速藥物發現與材料研發等領域的科學探索。

當這類模型加上自然語言介面後，研究人員可以像詢問AI助手一樣與模擬系統互動。

第一個應用：催化劑發現模型

目前透過Claude可使用的首個工具是 AQCat Adsorption Spin，專門用於 異相催化劑（heterogeneous catalyst）發現。

透過自然語言提示，材料科學家可以：

• 預測分子在催化表面的吸附能（adsorption energy）
• 找出結合能的交叉點
• 篩選不同催化劑組成

這個模型建立在SandboxAQ的 spin‑aware 機器學習引擎 上，可提供接近密度泛函理論（DFT）模擬的洞察，但準備流程與時間成本大幅降低。

催化研究非常重要，因為全球大部分化學工業與能源生產流程都依賴催化劑。像AQCat25這類訓練資料集包含數百萬次量子化學計算與數萬種催化系統的數據。

下一步：藥物研發模型

SandboxAQ表示，未來會把更多LQM模型用同樣方式接入Claude。

目前已公布的兩個方向包括：

• AQPotency：預測候選藥物分子的效力
• AQCell：模擬細胞層級的生物交互作用

這代表過去只在計算化學團隊中使用的藥物研發工具，未來可能可以透過自然語言介面進入更廣泛的科研流程。

SandboxAQ為何稱之為「量化AI」的擴展

SandboxAQ把這次整合看作不只是單一產品功能，而是更大的策略：把物理與數學驅動的AI模型，透過主流語言模型分發出去。

過去要使用這些高階科學模型，通常需要同時具備：

• 專業領域知識
• 程式能力
• 高效能運算資源

當LLM成為介面層後，研究人員可以更專注在科學問題本身，而不是技術整合。

如果這種模式被廣泛採用，SandboxAQ認為「量化AI」有機會擴展到多個產業，例如：

• 生物醫藥與藥物發現
• 能源與催化研發
• 工業化學
• 先進材料研究

核心概念很簡單：當科學家能用自然語言直接提出假設並啟動模擬時，從假設到洞察的速度就能大幅提升。

AI科學研究的新模式

這次整合也反映出科學AI的一個重要趨勢：

語言模型負責協調與介面，專業模型負責真正的計算。

換句話說，Claude不需要自己「猜」化學或材料問題，而是把任務轉交給真正理解物理與化學規律的模型來計算。

結果是一種混合型AI工作流程：

• 對話式AI負責理解問題
• 物理模型負責科學模擬

如果這類系統成熟，未來更多研究人員或許可以使用先進計算科學工具，而不必先成為程式或高效能運算專家。