SandboxAQ ha annunciato l’integrazione dei propri Large Quantitative Models (LQMs) con Claude tramite Model Context Protocol, rendendo operativa per la prima volta una connessione diretta tra un large language model generalista e modelli AI quantitativi addestrati su dati di laboratorio reali ed equazioni fisiche. Il risultato pratico è che un ricercatore può oggi interrogare modelli di chimica computazionale di livello frontier attraverso prompt in linguaggio naturale, senza scrivere codice e senza allestire infrastrutture specializzate.
Per capire la portata di questa integrazione è necessario prima comprendere cosa siano i LQMs e in cosa si differenzino dai modelli linguistici tradizionali. Mentre un LLM come Claude è addestrato su testo e impara pattern statistici del linguaggio umano, i LQMs di SandboxAQ sono costruiti su dati fisici: simulazioni di chimica quantistica, dinamica molecolare, microcinetiche, e dati sperimentali di laboratorio. SandboxAQ genera autonomamente i propri dati di training attraverso simulazioni ad alta fedeltà, indirizzate verso le specifiche chimie e condizioni operative di interesse, e addestra i modelli internamente, mantenendo la proprietà completa dell’architettura. I LQMs non sono dunque modelli generici adattati alle scienze: sono sistemi costruiti dal basso su misura per la fisica e la chimica del mondo reale, con l’obiettivo di produrre output difendibili in contesti sperimentali e industriali.
Il primo modello reso accessibile tramite Claude è AQCat Adsorption Spin, parte della suite AQCat dedicata alla catalisi. Il calcolo dell’energia di adsorbimento — ovvero la misura della forza con cui le molecole si legano alla superficie di un catalizzatore — è il passo preliminare critico di qualsiasi workflow di scoperta catalitica. Determinarlo con accuratezza tramite metodi tradizionali richiede risorse computazionali e competenze tecniche considerevoli; eseguirlo in modo errato o approssimativo significa disperdere tempo e budget nelle fasi successive di modellazione e validazione sperimentale. AQCat promette accuratezza di livello gold-standard a una frazione del costo e del tempo convenzionale, abilitando uno screening di candidati catalitici a una scala che prima era fuori portata per la maggior parte dei team. L’impatto si distribuisce su una vasta gamma di settori industriali: idrogeno verde, combustibili sostenibili per aviazione, produzione di fertilizzanti, riciclo di materie plastiche e sistemi di stoccaggio energetico.
L’integrazione tecnica avviene tramite MCP, il protocollo aperto che consente a Claude di chiamare strumenti e modelli esterni in modo standardizzato. Questo significa che l’accesso ai LQMs di SandboxAQ non richiede all’utente di uscire dal proprio ambiente di lavoro, imparare nuove API o installare infrastrutture aggiuntive: Claude funge da interfaccia in linguaggio naturale che traduce l’intenzione scientifica dell’utente in chiamate ai modelli quantitativi sottostanti e restituisce risultati interpretabili. L’intera catena — dall’ipotesi alla risposta computazionale — si comprime temporalmente in modo significativo rispetto ai workflow tradizionali.
La roadmap di integrazione già annunciata prevede l’arrivo su Claude di una suite di modelli per la drug discovery. AQPotency permetterà di identificare e prioritizzare computazionalmente i candidati farmaceutici più promettenti, effettuando screening su migliaia di composti a una velocità e un costo inaccessibili ai metodi sperimentali tradizionali. AQCell consentirà invece di simulare la risposta cellulare a candidati farmaceutici su scala di migliaia di composti, prevedendo l’attivazione dei pathway biologici target e segnalando potenziale epatotossicità. Entrambi si inseriscono nella stessa infrastruttura fisica-computazionale di AQCat, garantendo coerenza metodologica attraverso domini applicativi diversi.
SandboxAQ sviluppa anche alcuni dei suoi modelli frontier, tra cui AQAffinity e AQCat, in collaborazione con NVIDIA, e la sua piattaforma è già attiva in programmi con grandi aziende farmaceutiche, con risultati dimostrati in chimica delle batterie, catalizzatori e leghe. Il posizionamento strategico dell’azienda è quello di operare trasversalmente in quella che definisce “quantitative economy”, un settore da oltre 50 trilioni di dollari che comprende biopharma, servizi finanziari, energia e materiali avanzati, con moduli per i servizi finanziari e la gestione del rischio in arrivo a breve.
Quello che questa integrazione rappresenta concettualmente è un cambio nella natura stessa dell’accesso alla scienza computazionale avanzata. Fino a ieri, usare modelli di chimica quantistica richiedeva la combinazione di expertise scientifica di dominio, competenze di programmazione e accesso a infrastrutture di calcolo dedicate. L’accoppiamento tra un LLM conversazionale e LQMs fisicamente fondati attraverso MCP separa la competenza scientifica concettuale, che rimane nell’utente, dall’esecuzione computazionale, che viene delegata ai modelli. Il ricercatore porta l’intuizione; il sistema porta il rigore computazionale.