8月22日消息，SandboxAQ宣布其AI催化剂筛选模型AQCat正式上线（general availability）。研究人员通过Claude Science的Model Context Protocol（MCP）接口，用英语自然语言提示即可评估催化剂候选材料，无需编程。公司称AQCat识别潜力催化剂的精度接近现有高精度方法，运行速度最高快2万倍。

催化剂用于80%以上工业制成品和90%以上商业化学品的生产，但发现流程缓慢昂贵：传统实验室方法每周可测试的候选材料不足100种。AQCat瞄准催化剂发现最早期的关键计算——吸附能（分子与催化剂表面结合强度的度量，是材料是否值得跟进的早期信号），让研究者先在数千个候选中虚拟筛选，再把昂贵建模与实验资源集中于最有希望的材料。

技术路线上，AQCat与常规机器学习方法的差异在于对磁性的处理：基准方法密度泛函理论（DFT）精度高但计算资源消耗大；更快的机器学习方案则常遗漏工业相关材料的磁性效应。AQCat设计为"spin-aware"，覆盖铁、钴、镍等复杂磁性材料，使丰产廉价金属成为高通量筛选的实用目标。模型基于公开数据集AQCat25训练，包含1350万次高保真DFT计算、4.7万个中间体-催化剂体系、覆盖全部工业相关元素。德州理工大学化工助理教授Joe Gauthier评价称，以更快速度还原DFT品质吸附能改变了课题组可提问的尺度，打开了此前无法企及的设计空间。

对化工行业而言，若吸附能筛选瓶颈被AI大幅压缩，多相催化剂（化肥、燃料、塑料生产核心）的开发周期与成本结构将显著改变；磁性廉价金属催化的实用化也可能减少对贵金属催化剂的依赖。 （来源：Indian Chemical News）