За последние дни на arXiv вышло сразу несколько работ, где ИИ не просто ускоряет привычные вычисления, а перестраивает сам научный процесс: от поиска лекарств и материалов до математических доказательств и проверки медицинской безопасности. Ниже — пять самых заметных находок.

conDitar-dev: генерация молекул с оглядкой не только на связывание, но и на пригодность к разработке

Во многих работах по поиску лекарств ИИ оптимизирует молекулу под одну главную цель: чтобы она хорошо связывалась с нужной мишенью. Проблема в том, что этого мало: вещество ещё должно обладать свойствами, которые позволяют вообще довести его до лекарства. Авторы conDitar-dev добавляют к генерации молекул такую проверку заранее.

Система сочетает диффузионную генерацию с учётом формы кармана белка и отдельную оптимизацию свойств, связанных с пригодностью к разработке. Авторы пишут о заметном росте качества сразу по нескольким таким свойствам и подкрепляют результат не только вычислениями, но и синтезом с экспериментальной проверкой, в том числе для кандидатов против PD-L1 и CSF1R. Если подход воспроизводится, это важный шаг от красивых молекул на бумаге к веществам, с которыми действительно можно работать дальше.

AutoMatBench: более дешёвая и более строгая проверка ИИ для материаловедения

Работы по ИИ для материалов часто хорошо выглядят на удобных тестах, но хуже показывают себя там, где нужно предсказывать свойства действительно новых материалов, а не вариантов уже знакомых образцов. AutoMatBench расширяет популярную схему MatBench именно в эту сторону.

Авторы добавляют проверки вне привычного распределения данных и используют байесовскую оптимизацию, чтобы быстро подбирать сильные настройки модели без длинного и дорогого полного прогона. По их оценке, система приходит к близким результатам примерно за дюжину шагов и при этом заметно сокращает вычислительные затраты. Для области это важно не меньше, чем очередной рекорд: без честной и доступной проверки трудно понять, какие модели действительно помогут открыть новые материалы, а какие просто хорошо подстроились под удобный тест.

MathCoPilot: ИИ как напарник математика, а не его замена

Вокруг ИИ в математике часто спорят в логике «сможет ли машина доказать теорему сама». MathCoPilot предлагает более практичную картину: оставить человеку выбор стратегии, а ИИ поручить формализацию, поиск статей, работу с базами знаний и проверку доказательств в Lean 4.

По сути это рабочее место для совместной работы математика и нескольких ИИ-модулей. Результаты выглядят отрезвляюще и потому полезно: на сравнительно простых формальных задачах современные модели уже могут быть хорошими помощниками, но на более специальных теоремах, в частности связанных с уравнениями в частных производных, они всё ещё заметно зависят от экспертного руководства. Это не прорыв в сторону полностью автономной математики, зато честный и ценный шаг к инструментам, которые реально экономят время исследователя.

MEDA: агентный поиск уравнений для биологических систем

Когда исследователи пытаются восстановить уравнения, описывающие биологическую систему, чисто математическая подгонка нередко выдаёт формулу, которая хорошо описывает данные, но плохо соответствует реальному механизму. Авторы MEDA пытаются исправить это, добавляя в процесс агентный слой на базе большой языковой модели.

Система не только перебирает кандидатные уравнения с помощью символьной регрессии, но и подтягивает предметные знания, предлагает ограничения на основе биологического смысла и отбрасывает варианты, которые выглядят удобными математически, но сомнительны научно. Важность работы в том, что она показывает: для научного открытия ИИ мало «угадать кривую», ему нужно ещё удерживать связь с механизмом.

MedFailBench: тест, который ищет не просто ошибки, а опасные типы сбоев медицинского ИИ

У медицинских моделей часто измеряют общую правильность ответа, но в клинике важнее другой вопрос: как именно система ошибается. MedFailBench предлагает смотреть на границы безопасности напрямую. В нём размечены такие типы сбоев, как пропуск срочной эскалации, опасный совет по дозировке, ложное успокоение при выписке и выдумывание доказательств.

Тест собран клиницистами и основан на 44 специально разобранных синтетических случаях. Его ценность в том, что он приближает проверку ИИ к реальному медицинскому применению: врачу и больнице важно не абстрактное число правильных ответов, а понимание, где система может допустить именно опасную ошибку. Такие наборы задач особенно нужны сейчас, когда медицинский ИИ всё активнее пытаются встраивать в рабочие процессы, а не просто показывать на демонстрациях.

Во всей этой пятёрке особенно заметен общий сдвиг: ИИ в науке всё чаще оценивают не по громким обещаниям, а по тому, насколько он помогает пройти самый трудный участок пути — от красивой гипотезы к проверяемому и полезному результату.