LQM face aux LLM : des chiffres vérifiables plutôt qu’un bon discours

Prédire une durée de vie ou simuler une interaction exige autre chose qu’une réponse bien tournée. Les LQM se revendiquent des modèles pour calculer et estimer avec des marges d’erreur et des domaines de validité. L’exemple des intégrations de SandboxAQ dans Claude illustre une coopération possible avec les LLM, sans effacer la nécessité de comparer les performances sur des bases identiques.

Comparer à armes égales et garder la traçabilité

En octobre 2024, SandboxAQ a affirmé une réduction de 95 % du temps nécessaire à une prédiction de durée de vie de batterie lors d’une expérimentation avec NOVONIX. Ce communiqué d’entreprise ne prouve pas que des LQM réduisent systématiquement de 95 % la durée de tous les projets industriels, ni qu’ils surpassent toujours les modèles statistiques éprouvés. Pour évaluer une solution, il convient d’analyser les jeux de test, le modèle de référence, la quantité de données requise, la précision obtenue, le coût des simulations et la reproductibilité. Une diminution du temps de calcul ne veut pas dire que la progression de la recherche suit la même évolution. Les comparatifs valides opposent des systèmes accomplissant la même tâche, sous les mêmes contraintes. Dans cette perspective, la traçabilité des calculs et des données prime sur toute prétendue supériorité universelle.

Accéder aux calculateurs depuis un LLM sans confondre les rôles

Le 18 mai 2026, SandboxAQ a communiqué l’intégration de certains de ses modèles quantitatifs à Claude par l’intermédiaire du protocole MCP. Lorsqu’un utilisateur formule une question en langage naturel, Claude a la capacité de solliciter un outil scientifique spécialisé et d’en fournir ensuite une explication. Le LLM sert d’interface tandis que le moteur quantitatif prend en charge la tâche dans son domaine propre. Le 19 août 2026, la disponibilité générale d’AQCat sur Claude a été annoncée pour la recherche sur les catalyseurs. La fiche du connecteur Anthropic requiert toutefois une connexion et liste des outils distincts, ce qui n’implique pas l’accès libre à l’ensemble de l’offre SandboxAQ. Cette intégration met en avant une distribution des fonctions plutôt qu’une combinaison des technologies, et peut permettre à des chercheurs d’utiliser ces outils sans manipuler chaque interface technique séparément. Cette simplicité d’usage ne se substitue ni aux vérifications expérimentales ni à une analyse critique des résultats, même si une démonstration officielle en montre l’utilisation côté fournisseur.

De la prédiction vérifiable à l’outil industriel

Construire une prédiction exploitable commence par des observations utilisables, issues de mesures de laboratoire, de capteurs, d’historiques d’exploitation ou de simulations. Les unités, valeurs manquantes et la représentativité doivent être contrôlées, ce qui confère un rôle clé aux data engineers, car une préparation défaillante peut compromettre l’ensemble. Côté modèles, réseaux neuronaux, régressions, simulateurs physiques ou approches hybrides sont mobilisés, certains intégrant des contraintes connues comme la conservation de l’énergie. Le nombre de paramètres ne suffit pas à juger la fiabilité. Les prédictions doivent ensuite affronter des résultats indépendants, en évaluant erreurs, stabilité et conditions de non‑pertinence. Une estimation n’est exploitable que si son domaine de validité est établi, étape souvent moins visible que la démonstration conversationnelle mais décisive pour passer du prototype à l’outil industriel.

Batteries, molécules, risques : ce que les chiffres autorisent

Pour les batteries lithium‑ion, un modèle quantitatif doit prévoir la dégradation à partir d’indicateurs comme les tensions, les résistances internes ou les cycles de charge. SandboxAQ a exposé une méthode destinée à anticiper la fin de vie et indique une erreur absolue moyenne de 150 cycles sur des fabricants non inclus dans l’entraînement, une performance propre à son protocole qui ne constitue pas une garantie universelle. Dans la découverte de médicaments, simulations et apprentissage servent à analyser des interactions pour guider les expériences, tandis qu’un LLM facilite la veille et la formulation de requêtes. Une propriété moléculaire prédite ne constitue pas une preuve d’efficacité ou de sécurité d’un traitement, qui nécessitent des essais biologiques et cliniques. Les modèles quantitatifs sont également employés pour évaluer des risques, anticiper la demande ou optimiser des opérations, des usages antérieurs à l’apparition du terme LQM. Leur performance dépend des données disponibles et de leur capacité à rester fiables en cas de changement de contexte : un modèle financier formé en période stable peut échouer lors d’une crise, et une prédiction validée dans une usine ne s’applique pas automatiquement à un autre site.

Ce que savent faire LLM et LQM, et leurs limites propres

Les LLM excellent pour comprendre des questions, exploiter des documents, produire du texte et piloter des outils, bien au‑delà de la seule rédaction, jusqu’à résoudre certains problèmes mathématiques avec l’appui de calculateurs. À l’inverse, les LQM visent des problèmes formulés en grandeurs mesurables, avec des sorties chiffrées, probabilistes ou simulées, en combinant apprentissage, équations physiques et méthodes numériques. LQM n’est toutefois pas une catégorie d’architectures aussi définie que LLM ; SandboxAQ emploie ce label pour ses modèles scientifiques sans établir une technologie inédite par moteur de prévision, et il ne s’agit pas nécessairement d’informatique quantique. Les LLM peuvent produire des réponses convaincantes mais inexactes numériquement ; un raisonnement bien tourné ne prouve ni hypothèses ni sources. Les systèmes quantitatifs s’évaluent sur leurs prédictions, y compris en contexte changeant, avec mesure d’erreur et, si possible, d’incertitude. La frontière n’est pas étanche : un LLM peut appeler un calculateur fiable, et un modèle quantitatif peut égarer si les données sont biaisées.

Choisir l’architecture et contrôler la mise en production

Pour résumer des documents, produire un compte rendu ou interroger une base de connaissances, un LLM est souvent approprié. Pour prévoir une panne, estimer un risque ou simuler une molécule, il faut évaluer un moteur quantitatif adapté, qu’il soit commercialisé comme LQM ou qu’il relève de la statistique classique ; l’étiquette ne remplace jamais l’épreuve des faits. Le choix s’appuie sur la qualité des données, l’erreur acceptable et le coût total, avec des exigences de reproductibilité, de droits d’accès et de surveillance en production. Un environnement d’expérimentation IA aide à comparer plusieurs approches avant engagement. Des architectures hybrides associent langage naturel pour la collecte et la présentation avec un calculateur auditable pour le résultat chiffré et ses limites, à tester comme tout logiciel, surtout en santé, sécurité ou finances. Plus largement, l’ambition des LQM est de recentrer l’IA sur des propriétés mesurables sans effacer biais ou incertitudes ; le cadre du NIST rappelle la mesure continue des performances et la surveillance post‑déploiement. Face à une affirmation précise, comme les 800 cycles annoncés sans méthode vérifiable, la priorité reste la façon dont le chiffre a été obtenu et validé, avec la possibilité, côté LLM, d’appeler un outil spécialisé mais sans se substituer à sa validation.