Albilich показал, как ИИ может стать более практичным помощником в исследовательской математике, если соединить рассуждение языковой модели с символьной алгеброй, поиском литературы и долговременным контекстом. Но на этой неделе важны не только математики: в биологии, химии и автоматизации лабораторий тоже вышли работы, которые упираются не в красивую демонстрацию, а в реальные узкие места научного процесса.

1. Albilich combined LLM reasoning, computer algebra, and retrieval to solve research-level math problems

Авторы описывают открытую систему Albilich, которая совмещает длинные цепочки рассуждений языковой модели, системы компьютерной алгебры, поиск по литературе и постоянную память о ходе работы. В статье система решила все 10 задач из набора RealMath при поддержке символьной алгебры и даже выдала новые результаты по открытым вопросам теории групп. Это важный сигнал: AI в математике всё чаще движется от учебных примеров к воспроизводимой исследовательской работе. Источник: arXiv

2. An agentic self-driving lab paper targets the real bottleneck in AI science: costly experimental validation

Эта работа сосредоточена на самой дорогой части научного цикла с AI — не на генерации гипотез, а на выборе того, какие эксперименты действительно стоит запускать. Авторы предлагают единый агент с учётом прежних данных, планированием экспериментов и моделью, которая различает дешёвые и дорогие измерения. Если подход сработает на практике, автономные лаборатории смогут тратить меньше ресурсов на лишние проверки и быстрее переходить к действительно полезным результатам. Источник: arXiv

3. PlantBGC uses a transformer to find plant biosynthetic gene clusters despite scarce labels

PlantBGC решает давнюю проблему растительной биологии: качественно размеченных примеров биосинтетических генных кластеров слишком мало, чтобы обычное обучение работало надёжно. Авторы переносят сигнал из микробных данных и дополняют его обучением без разметки, благодаря чему заметно повышают восстановление известных растительных локусов. Практический смысл простой: учёные получают более точный фильтр для поиска новых метаболических путей и сокращают объём дорогой экспериментальной проверки. Источник: arXiv

4. Chem World benchmarked chemical property prediction across 800,000 molecules and paired it with a physics-informed model

Chem World интересна не только собственной моделью Mixture-PINN, но и тем, что вводит крупный ориентир для проверки систем прогнозирования химических свойств: 17 наборов данных и более 800 тысяч молекул. Для прикладной химии и материаловедения это особенно важно, потому что область долго страдала от несопоставимых тестов и частных заявлений о превосходстве. Чем лучше общая рамка проверки, тем проще понять, какие AI-инструменты действительно годятся для работы в лаборатории. Источник: arXiv

Во всех четырёх работах общий мотив один: AI в науке всё реже продают как абстрактное обещание и всё чаще нацеливают на конкретные точки трения — проверку гипотез, поиск литературы, дефицит разметки и честное сравнение методов. Именно такие сдвиги обычно и переводят область из режима демонстраций в режим полезного инструмента.