Google Cloud rende disponibili attraverso il proprio marketplace i Large Quantitative Models di SandboxAQ, una famiglia di modelli progettata non per la sola elaborazione del linguaggio naturale, ma per problemi scientifici basati su dati quantitativi, equazioni, strutture molecolari e simulazioni fisiche. L’integrazione permette di combinare i modelli Gemini con sistemi specializzati per chimica, biologia, fisica dei materiali e ricerca farmaceutica, separando il ruolo dell’AI conversazionale da quello dei modelli orientati alla previsione scientifica.
I Large Quantitative Models, o LQM, lavorano su rappresentazioni numeriche e scientifiche che richiedono una precisione diversa rispetto a quella tipica di un modello linguistico. In ambiti come scoperta di molecole, progettazione di catalizzatori, materiali per batterie o analisi delle interazioni tra proteine e farmaci, non basta produrre una spiegazione plausibile: il sistema deve stimare proprietà chimiche, stabilità, affinità di legame, reattività e comportamento di candidate compound in condizioni specifiche.
Il primo modello disponibile, AQCat, è dedicato alla ricerca di catalizzatori e nuovi materiali. Il suo utilizzo riguarda processi in cui la selezione dei composti avviene normalmente attraverso simulazioni, test di laboratorio e cicli molto lunghi di validazione. Un modello quantitativo può ridurre lo spazio di ricerca iniziale, individuando combinazioni più promettenti prima della sperimentazione fisica. Questo può essere utile nella produzione di semiconduttori, nello sviluppo di materiali magnetici, nella chimica delle batterie e nella progettazione di sostanze capaci di degradare composti persistenti come i PFAS.
AQPotency è invece orientato alla scoperta di farmaci. Il modello è progettato per stimare quali molecole possano legarsi in modo più efficace a specifiche proteine bersaglio, permettendo di filtrare grandi librerie di candidati prima delle fasi sperimentali più costose. In un processo di drug discovery, questa fase è decisiva perché consente di concentrare risorse di laboratorio su un numero molto più ristretto di molecole, con una maggiore probabilità di ottenere risultati rilevanti.
La differenza rispetto a un normale modello generativo riguarda anche il tipo di output. Un LLM può aiutare a leggere letteratura scientifica, sintetizzare studi o proporre ipotesi, ma non è progettato per sostituire modelli che lavorano direttamente con parametri fisici e chimici. I Large Quantitative Models puntano invece a produrre stime utilizzabili in workflow di ricerca, dove le previsioni devono essere confrontate con dati sperimentali, simulazioni e criteri di validazione scientifica.
SandboxAQ applica nei propri modelli tecniche ispirate alla computazione quantistica, eseguite oggi su infrastrutture convenzionali basate su GPU e TPU. Il riferimento al quantum non significa quindi che i modelli richiedano computer quantistici già operativi, ma che alcune metodologie matematiche e di simulazione nate in quell’ambito vengono adattate agli acceleratori disponibili. L’obiettivo è aumentare la capacità di modellare sistemi complessi, mantenendo la possibilità di eseguire i workload in ambienti cloud enterprise.
L’arrivo dei LQM su Google Cloud evidenzia un passaggio importante nell’AI per la ricerca: i modelli linguistici diventano interfacce utili per interrogare conoscenza e documentazione, mentre i modelli quantitativi assumono il compito di elaborare dati scientifici ad alta complessità. La combinazione dei due livelli può rendere più rapido il percorso che parte da una domanda di ricerca e arriva alla selezione di materiali, molecole o configurazioni da verificare in laboratorio.