Claude變成科學模擬的「操作介面」

這項整合的核心，是讓Claude透過MCP連接到SandboxAQ的專有科學模型平台。

MCP（Model Context Protocol）是一種開放標準，設計用來讓AI助理安全地連接外部工具、資料來源與計算系統。當研究人員在Claude中提出需求時，系統會把自然語言轉換為可執行的模擬任務，再交由SandboxAQ的模型完成計算。

例如，研究人員可以直接輸入：

• 想評估某種催化劑表面對特定分子的吸附能
• 想篩選哪些材料組合可能提升某個化學反應效率
• 想模擬某個分子的行為

Claude會理解這些描述，透過MCP把任務傳給SandboxAQ模型計算，再把結果回傳給使用者。

這個流程取代了過去需要撰寫自訂腳本、整合API與設定計算環境的複雜工作。SandboxAQ指出，研究人員現在可以在「對話式介面」中直接運行高精度分子模擬。

Large Quantitative Models：與語言模型完全不同的AI

SandboxAQ的 Large Quantitative Models（LQMs） 和一般的大型語言模型（LLM）本質不同。

LLM主要從大量文本中學習語言模式，而LQM則是 以物理與化學定律為基礎建構的模型，用來模擬現實世界中的量化系統，例如：

• 化學反應
• 分子動力學
• 材料微觀結構

這些模型結合物理模擬方法與機器學習，用於加速新藥與新材料的研發。

把LQM與自然語言介面結合後，研究人員可以像詢問AI助理一樣操作科學模擬系統，而不必直接處理複雜的計算流程。

第一個應用：催化劑發現工具 AQCat Adsorption Spin

目前透過Claude可使用的第一個模型是 AQCat Adsorption Spin，主要用於異質催化劑研究。

透過自然語言提示，材料科學家可以：

• 預測分子在催化劑表面的吸附能
• 找出關鍵的結合能交叉點
• 篩選可能有效的催化劑材料組合

這個模型建立在SandboxAQ的「自旋感知（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，但所需人工設定與計算流程大幅減少。

催化劑研究之所以重要，是因為它支撐著大量工業化學與能源生產。相關模型（如AQCat25）的訓練資料包含數百萬次量子化學計算，涵蓋數萬種催化系統。

下一步：藥物研發模型

SandboxAQ表示，未來還會把更多LQM模型接入Claude。

其中兩個正在開發的生醫研究模型包括：

• AQPotency：用於預測候選藥物分子的藥效強度
• AQCell：模擬分子與細胞層級的生物互動

這些工具的目標是把原本只有計算化學團隊能使用的藥物設計工具，帶進更廣泛的研究流程。

為什麼SandboxAQ稱之為「Quantitative AI」的重要一步

SandboxAQ將這次整合視為一個更大的策略：

讓物理與化學模擬AI透過主流語言模型介面被廣泛使用。

過去，運行這類科學模型需要兩種專業能力：

• 領域科學知識
• 程式與高效能運算技能

透過LLM作為「操作層」，研究人員可以把重心放在科學問題本身，而不是軟體整合或計算流程。

如果這種模式被廣泛採用，SandboxAQ認為它可能把量化模擬工具擴展到更多產業，例如：

• 生技製藥（Biopharma）
• 能源與催化劑開發
• 工業化學
• 先進材料研發

核心理念是：當操作門檻從「寫程式」降到「用自然語言描述問題」，研究人員可以更快從 假設 → 模擬 → 洞察 的循環中獲得結果。

科學AI的一種新模式

這項整合也反映出科學AI的一個新趨勢：

用語言模型作為「協調與介面層」，再把真正的科學計算交給專門模型。

換句話說，Claude並不是直接用文字推理來回答化學或材料問題，而是把問題轉交給能運行真實物理與數學計算的模型。

這種混合式架構，可能讓原本高度專業化的計算科學工具變得更普及，也讓更多研究人員能利用AI進行高階科學模擬。

Claude變成科學模擬的「操作介面」

這項整合的核心，是讓Claude透過MCP連接到SandboxAQ的專有科學模型平台。

MCP（Model Context Protocol）是一種開放標準，設計用來讓AI助理安全地連接外部工具、資料來源與計算系統。當研究人員在Claude中提出需求時，系統會把自然語言轉換為可執行的模擬任務，再交由SandboxAQ的模型完成計算。

例如，研究人員可以直接輸入：

• 想評估某種催化劑表面對特定分子的吸附能
• 想篩選哪些材料組合可能提升某個化學反應效率
• 想模擬某個分子的行為

Claude會理解這些描述，透過MCP把任務傳給SandboxAQ模型計算，再把結果回傳給使用者。

這個流程取代了過去需要撰寫自訂腳本、整合API與設定計算環境的複雜工作。SandboxAQ指出，研究人員現在可以在「對話式介面」中直接運行高精度分子模擬。

Large Quantitative Models：與語言模型完全不同的AI

SandboxAQ的 Large Quantitative Models（LQMs） 和一般的大型語言模型（LLM）本質不同。

LLM主要從大量文本中學習語言模式，而LQM則是 以物理與化學定律為基礎建構的模型，用來模擬現實世界中的量化系統，例如：

• 化學反應
• 分子動力學
• 材料微觀結構

這些模型結合物理模擬方法與機器學習，用於加速新藥與新材料的研發。

把LQM與自然語言介面結合後，研究人員可以像詢問AI助理一樣操作科學模擬系統，而不必直接處理複雜的計算流程。

第一個應用：催化劑發現工具 AQCat Adsorption Spin

目前透過Claude可使用的第一個模型是 AQCat Adsorption Spin，主要用於異質催化劑研究。

透過自然語言提示，材料科學家可以：

• 預測分子在催化劑表面的吸附能
• 找出關鍵的結合能交叉點
• 篩選可能有效的催化劑材料組合

這個模型建立在SandboxAQ的「自旋感知（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，但所需人工設定與計算流程大幅減少。

催化劑研究之所以重要，是因為它支撐著大量工業化學與能源生產。相關模型（如AQCat25）的訓練資料包含數百萬次量子化學計算，涵蓋數萬種催化系統。

下一步：藥物研發模型

SandboxAQ表示，未來還會把更多LQM模型接入Claude。

其中兩個正在開發的生醫研究模型包括：

• AQPotency：用於預測候選藥物分子的藥效強度
• AQCell：模擬分子與細胞層級的生物互動

這些工具的目標是把原本只有計算化學團隊能使用的藥物設計工具，帶進更廣泛的研究流程。

為什麼SandboxAQ稱之為「Quantitative AI」的重要一步

SandboxAQ將這次整合視為一個更大的策略：

讓物理與化學模擬AI透過主流語言模型介面被廣泛使用。

過去，運行這類科學模型需要兩種專業能力：

• 領域科學知識
• 程式與高效能運算技能

透過LLM作為「操作層」，研究人員可以把重心放在科學問題本身，而不是軟體整合或計算流程。

如果這種模式被廣泛採用，SandboxAQ認為它可能把量化模擬工具擴展到更多產業，例如：

• 生技製藥（Biopharma）
• 能源與催化劑開發
• 工業化學
• 先進材料研發

核心理念是：當操作門檻從「寫程式」降到「用自然語言描述問題」，研究人員可以更快從 假設 → 模擬 → 洞察 的循環中獲得結果。

科學AI的一種新模式

這項整合也反映出科學AI的一個新趨勢：

用語言模型作為「協調與介面層」，再把真正的科學計算交給專門模型。

換句話說，Claude並不是直接用文字推理來回答化學或材料問題，而是把問題轉交給能運行真實物理與數學計算的模型。

這種混合式架構，可能讓原本高度專業化的計算科學工具變得更普及，也讓更多研究人員能利用AI進行高階科學模擬。