2026年6月17日——SandboxAQ 今天宣布与美国商务部芯片研发办公室（CHIPS Research and Development Office）达成一项最终协议，获得5亿美元资助，以应对美国制造业最紧迫的挑战之一：半导体制造所需关键材料和化学品受外国控制的问题。

该资助将用于在四个项目领域开发半导体制造所需的新型分子和配方：无 PFAS 工艺化学品、催化剂、无稀土磁体和电池系统。随后，SandboxAQ 将通过高性能的美国制造合作伙伴，将最强大的突破性成果推进至规模化国内制造和商业化。这项资助支持了美国数十年来自主生产受外国供应压制的目标类别中的研发工作，最终将增强国家和经济安全。

SandboxAQ 将投资增强其 ReAQT 软件平台和大规模定量模型（LQMs），以加速对数百万种候选材料进行虚拟筛选，之后将选出最有前景的候选材料与实验室合作伙伴进行验证。LQM 是训练于物理、化学和生物学定律的人工智能系统，而非人类语言。原本需要数十年实验室试错的过程，现在可以转变为一次有针对性的、AI 驱动的行动。该资助将资金分配给四个材料项目领域，并用于对 SandboxAQ 核心 LQM 平台的基础投资，以推动对半导体制造至关重要的先进化学和材料开发。作为该资助的一部分，商务部将获得 SandboxAQ 少数、无投票权的股权。

商务部长霍华德·卢特尼克表示：“特朗普总统致力于加强美国半导体供应链并确保国家安全。这项资助将加速关键材料的发现和创新，减少我们对受外国控制的材料的依赖。”

SandboxAQ 首席执行官杰克·希达里表示：“保障美国半导体的未来意味着要控制驱动这一关键领域的材料。SandboxAQ 的大规模定量模型基于满足国内半导体行业需求所需的工程和物理学原理。美国商务部的这项资助使 SandboxAQ 能够跨越四个关键材料类别运行先进的 AI 驱动项目，然后与合作伙伴一起将所得配方进行规模化。”

该资助的四个项目领域如下：

• 1. 全氟和多氟烷基物质（PFAS）是“永久性化学品”，在芯片制造中广泛用作传热流体、润滑剂、绝缘涂层和表面处理化学品，目前尚无大规模应用的合规替代品。无法认证无 PFAS 替代品的美国半导体工厂可能面临供应中断和监管风险，这可能导致新建国内设施减产。SandboxAQ 已开发出 PFAS 分解方法以解决此问题，并将借助 CHIPS 法案资助继续推进这项工作。
• 2. 催化剂在半导体制造过程中发挥关键作用，包括生成超高纯度气体，使材料能够精确地逐原子层沉积，以及减轻此类工艺产生的危险氟化废气。SandboxAQ 将基于其 AQCat 工作流程（基于与 NVIDIA 合作开发的 1350 万次高保真量子化学计算）已经取得的进展，以接近量子化学的精度筛选催化剂候选物，速度比传统方法快 2 万倍，并缩短商业部署中的催化剂开发周期。
• 3. 美国半导体工厂依赖于主要受外国控制的永磁体供应。中国控制着全球超过 90% 的钕基永磁体生产，而这些磁体内置在每台先进的芯片印刷机、真空泵和精密度达到低于病毒尺寸容差的硅片定位驱动器中。SandboxAQ 将利用 ReAQT 及其 LQMs 以无与伦比的速度和精度筛选可消除或大幅减少对钕及其他重稀土元素依赖的磁体化学成分，目标是开发可利用现有美国生产设备制造的配方，从而降低商业化的资本门槛。
• 4. CHIPS 法案旨在重建国内半导体制造。半导体晶圆厂需要不间断、精确可控的本地化电力供应。仅持续几分钟的电流扰动就可能导致工具停机、降低晶圆良率，并引发高昂的计划外停机。大多数芯片工厂的备用电源系统依赖于高度集中在海外的电池材料（锂、钴、关键化学前驱体）。因此，地缘政治或供应链冲击可能潜在地影响美国半导体工厂的运营。SandboxAQ 将基于其 AQVolt 工作流程（一个针对电池化学的前沿 AI 模型）已经取得的进展，开发不依赖锂及其他存在外国瓶颈的材料的新型电池化学成分。

ReAQT：覆盖所有四个项目领域的统一平台

SandboxAQ 的 AI 模拟平台 ReAQT 是所有四个材料项目领域的基础，旨在大规模运行。SandboxAQ 计划深化对 ReAQT 的投资，以加速新材料发现的开发周期。ReAQT 通过高保真模拟（包括密度泛函理论、分子动力学和反应建模）生成基于物理原理的训练数据，然后在此数据上训练 SandboxAQ 专有的大规模定量模型（LQMs），并将其直接集成到设计-制造-测试工作流程中。由于 LQM 从物理定律和真实世界数据中学习，它们能对尚未合成的材料做出准确预测，使研究人员在进行昂贵的实验室工作之前就能获得一张可靠的可能性地图。

SandboxAQ 工程副总裁 Stefan Leichenauer 博士表示：“我们构建 ReAQT 的洞察力直接转化为竞争优势。最准确的模拟方法速度太慢，无法搜索到大规模相关的材料范围。纯粹基于现有数据训练的模型速度很快，但在应用于从未见过的材料时会失效。ReAQT 通过生成基于物理原理的、高质量的自身训练数据，并在此基础上训练我们的大规模定量模型，解决了这两个问题。结果是一个能对材料做出可靠预测的平台，它压缩了开发周期，从而改变了商业可行性。”