Главная линия здесь не в очередном общем обещании, что AI «ускорит науку», а в попытках встроить его в разные этапы реального исследования: генерацию молекул, поиск математических аргументов и управляемый цикл гипотез в материаловедении. Это хороший срез того, как научный AI постепенно уходит от красивых демонстраций к более предметным рабочим сценариям.

Do Language Models Dream of Binding Molecules?

Авторы этой работы пробуют перенести идеи языковых моделей в задачу структурного дизайна молекул, которые должны связываться с конкретной белковой мишенью. Если упростить, это попытка использовать логику, хорошо сработавшую в тексте, для куда более жёсткой и прикладной задачи — предложить молекулярные кандидаты с учётом трёхмерной структуры белка.

Почему это важно: в AI для лекарственного дизайна долго доминировали другие подходы — прежде всего диффузионные модели, докинг и специализированные молекулярные архитектуры. Здесь же проверяется гипотеза, могут ли языковые идеи дать альтернативный маршрут к генерации пригодных молекул, а не просто красивых химических строк. Если такие системы начнут стабильно работать, это расширит инструментарий раннего этапа разработки лекарств и даст исследователям ещё один класс моделей для поиска кандидатов.

Пока это скорее важный научный сигнал, чем обещание немедленного прорыва в фарме. Но сам сдвиг заметный: языковые модели всё увереннее тестируют не только на тексте и коде, а на задачах, где нужен контакт с физической и биологической реальностью.

Источник: arXiv

Improved Convergence Rate for Stochastic Multi-Gradient Descent: A Proof Discovered with AI

В этой работе AI используется не как калькулятор и не как генератор объяснений, а как помощник в самом поиске доказательства. Автор сообщает об улучшенной оценке скорости сходимости для стохастического многоградиентного спуска, причём ключевой аргумент был найден с участием AI.

Это важно потому, что такие новости постепенно меняют сам разговор о математическом AI. Речь уже не только о решении учебных задач, формальных головоломок или автоматической проверке шагов. Здесь AI участвует в исследовательской оптимизации — области, которая напрямую влияет на то, как обучаются и настраиваются современные модели. Если таких работ станет больше, AI начнут воспринимать не только как инструмент проверки, но и как источник новых ходов в живой исследовательской математике.

Конечно, каждую такую историю ещё нужно рассматривать трезво: где именно был вклад модели, а где — человека, который сумел этот вклад распознать и довести до строгой формы. Но даже с этой оговоркой это сильный маркер движения в сторону настоящего соавторства в исследовательских задачах.

Источник: arXiv

Auto Research for Materials: Auditable AI-Scientist Workflows with Held-Out Transfer

Эта работа выглядит особенно зрелой по постановке. Вместо того чтобы просто показать очередного «AI-учёного», авторы строят аудируемый рабочий процесс для материаловедения: от генерации гипотез и отбора кандидатов до проверки на перенос на отложенные задачи. Идея в том, чтобы не только получить красивый результат, но и оставить понятный след — что именно предложила система, как это тестировали и насколько метод переносится на новые классы материалов.

Для области это очень полезный сдвиг. В материалах и так легко утонуть в красивых обещаниях, потому что реальные циклы проверки долгие, шумные и дорогие. Поэтому акцент на воспроизводимости и проверяемости здесь, возможно, важнее любой единичной метрики качества. Если AI-системы для науки нельзя нормально аудировать, они плохо подходят для серьёзной лабораторной и индустриальной работы.

На мой взгляд, именно такие проекты будут определять, станет ли разговор об «AI-учёных» практикой или останется набором эффектных демо. Не самый громкий сюжет, зато один из самых полезных для реальной научной инфраструктуры.

Источник: arXiv