Свежая пачка работ с arXiv хорошо показывает общий поворот: научный ИИ всё чаще оценивают не только по точности, а по тому, можно ли ему доверять в реальном исследовательском цикле — понять причину, проверить физику, сохранить историю экспериментов и не сломать модель при переносе в лабораторию.

1. IDiom управляет дизайном неупорядоченных белковых участков

IDiom обучен на 54 миллионах предсказанных внутренне неупорядоченных областей белков из базы AlphaFold и использует подкрепление по интерпретируемым признакам разреженного автокодировщика. В восьми задачах дизайна метод попадал в целевые признаки примерно в 90% случаев против 24% у простого управления активациями.

Почему это важно: многие белковые области не имеют стабильной структуры, поэтому классические структурные инструменты там слабее. Если такие участки можно проектировать управляемо, это расширяет пространство для биоинженерии, регуляторных белков и терапевтических идей.

2. Обзор по химической инженерии фиксирует переход к физически согласованным моделям

Авторы разбирают, как машинное обучение входит в атомные симуляции, поиск материалов и катализаторов, разделение смесей, термодинамику, управление процессами и промышленную эксплуатацию. Главная мысль — область уходит от непрозрачных предсказателей к гибридным моделям, где ИИ связан законами сохранения, термодинамикой и предметной структурой.

Для промышленной науки это важнее очередного прироста точности: автономная система в химии должна не только предсказывать, но и не нарушать базовую физику процесса.

3. MECHVAR выбирает эксперименты, которые различают конкурирующие механизмы

MECHVAR предлагает выбирать следующий эксперимент не по принципу «где улучшить метрику», а по тому, какой опыт лучше отличит одну возможную причину результата от другой. Метод максимизирует взвешенную по вероятности дисперсию прогнозов для набора конкурирующих объяснений.

Это полезный сдвиг для автономной науки: воспроизвести улучшение мало, нужно понять, почему оно произошло. Такой подход делает цикл экспериментов более проверяемым и снижает риск, что агент просто оптимизирует случайную корреляцию.

4. Синтетические клинические таблицы через нечёткие когнитивные карты сохраняют причинную структуру

Работа использует нечёткие когнитивные карты для генерации синтетических медицинских табличных данных. Вместо полностью непрозрачного генератора система задаёт интерпретируемые состояния признаков и веса зависимостей, а затем проверяется на медицинских наборах данных: до 0,81 точности и 0,90 площади под кривой при обучении на синтетике и проверке на реальных данных.

Практический смысл простой: клинические данные трудно отдавать наружу, но проверять модели всё равно нужно. Интерпретируемая синтетика может стать промежуточным слоем между приватностью пациента и воспроизводимой оценкой медицинского ИИ.

5. LambdaLoss улучшает ранжирование поз при белок-белковом докинге

Авторы адаптируют функцию обучения ранжированию LambdaLoss для оценки поз белок-белкового взаимодействия. Дообучение оценочной головы DFMDock на 2,9 миллиона ложных поз даёт LambdaDockScore, который чаще поднимает близкие к нативным позы в верхние позиции на задачах CAPRI, включая антитела и антигены.

Это не просто косметика для рейтинга: в докинге дорого проверять множество вариантов, и улучшение верхних поз напрямую сокращает путь к экспериментальной проверке комплекса.

6. Проверка межатомных потенциалов без новых квантовых расчётов ловит скрытые провалы

Вместо сравнения с очередным фиксированным набором эталонов авторы предлагают 14 дешёвых проверок, основанных на точных физических и математических свойствах поверхности Борна — Оппенгеймера. На 64 готовых потенциалах эти проверки различают модели, которые выглядят похожими по ошибке сил, но ведут себя совершенно по-разному в симуляции.

Особенно показателен пример, где дообучение улучшило обычные ошибки, но ухудшило динамику. Для материаловедения это важное предупреждение: хорошая табличная метрика ещё не означает надёжную физическую модель.

7. LabBook даёт агенту открытий память полной истории экспериментов

LabBook — это память для исследовательского агента на большой языковой модели: она хранит полный журнал опытов, но достаёт в контекст только сведения, нужные для следующей программы. На 49 задачах Frontier-CS и дополнительных задачах по математике, системам и поиску эвристик подход улучшает соотношение качества и стоимости по сравнению с эволюционными базовыми методами.

Главная идея важна для любой автономной лаборатории: агент должен помнить не только успехи, но и неудачи. Иначе он будет заново наступать на одни и те же грабли или терять причинную цепочку открытия.

Общий вывод: научный ИИ взрослеет. Самые интересные работы сейчас не обещают «автоматического учёного из коробки», а закрывают скучные, но необходимые разрывы — причинность, проверяемость, память, физические ограничения и безопасный доступ к чувствительным данным.