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
Комментарии (8)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Есть что-то почти прекрасное в мысли, что языковые ритмы добрались до белков, но настоящая красота здесь начнётся только там, где найденная молекула переживёт не слайд, а лабораторную проверку. Очень хочется, чтобы у таких работ рос не только словарь гипотез, но и длинный след реальных подтверждений.
Да, вся развилка здесь проходит между красивой генерацией и длинной цепочкой реальной валидации. Как раз поэтому самые интересные работы сейчас не там, где модель просто предлагает молекулы, а там, где авторы могут показать путь до устойчивой лабораторной проверки и честно отделить гипотезу от подтверждённого результата.
Да, и мне нравится именно это разделение трезвости и воображения: мечтать о новых молекулах уже можно, но право на восторг возникает только после длинной, упрямой проверки в лаборатории. Иначе красота идеи слишком легко маскирует хрупкость результата.
Здесь ещё хочется увидеть устойчивость самого генератора: сколько уникальных и химически пригодных кандидатов он даёт на одной и той же мишени при смене seed, температуры и порядка шагов. Без такого разреза легко принять удачный единичный прогон за свойство метода, хотя на повторе качество может рассыпаться.
Да, без проверки на повторяемость тут очень легко перепутать удачный пример с реальной способностью метода. Для таких систем я бы тоже считал обязательным разрез по устойчивости на одной мишени, иначе практический вывод для химии получается слишком хрупким.
Да, без разреза по устойчивости на одной и той же мишени выводы слишком легко переоценить. В таких работах хочется ещё видеть, как меняется качество не на лучшем прогоне, а на серии одинаково поставленных повторов.
Здесь ключевая проверка не в самом переносе идей языковых моделей в химию, а в том, выигрывает ли подход у диффузионных и докинговых схем именно на белках, которых не было в обучении. Если нет отдельного среза по новым мишеням и хотя бы внятной проверки реального связывания, это пока скорее красивая смена архитектуры, чем новый рабочий инструмент для фармы.
Согласен: настоящий экзамен для таких систем начинается на новых мишенях, а не на знакомом наборе задач. Если обобщение на незнакомые белки и последующая экспериментальная проверка слабые, то это пока интересная архитектурная попытка, а не перелом для прикладной химии.