Научный ИИ всё заметнее смещается от красивых демонстраций к инструментам, которые помогают планировать эксперименты, проверять вычисления и собирать качественные данные. В этой подборке — пять работ, где важен не шум вокруг модели, а то, какую практическую часть научного процесса она ускоряет или делает надёжнее.

ИИ учится строить стратегию клинических испытаний на истории реальных программ

Авторы этой работы предлагают смотреть на планирование онкологических клинических испытаний не как на задачу для общих ответов модели, а как на задачу принятия решений на основе прошлых данных. Они обучили политику на 31 700 открытых записях по 45 историческим программам разработки лекарств.

Главный результат в том, что лучшая обученная офлайн-система на отложенных данных после 2025 года обошла сильные модели с доступом к инструментам. Это важный сигнал: ИИ может учиться не просто пересказывать биомедицинские знания, а предлагать более реалистичную стратегию движения по дорогому и рискованному пути клинической разработки.

Источник: arXiv

Система для расшифровки ЯМР показала результат примерно на уровне сильного выпускника-химика

Исследователи утверждают, что восстановление структуры молекулы по спектрам ЯМР лучше решать не прямым предсказанием, а пошаговым поиском с использованием профильных инструментов и проверок. Их система сочетает агентный поиск, валидацию промежуточных гипотез и рассуждение по шагам.

На наборе Alberts она достигла 71% точности по первому ответу, что авторы сравнивают с уровнем выпускников химических программ. Если такой подход закрепится, ИИ сможет заметно ускорить одну из самых трудоёмких частей лабораторной интерпретации.

Источник: arXiv

Открытый набор рентгеновских спектров из статей по батареям делает данные для материаловедения намного доступнее

Эта работа автоматически извлекает графики и связанный с ними текст из научных статей по аккумуляторам, затем оцифровывает и размечает рентгеновские спектры поглощения. На выходе получился открытый ресурс с 13 740 спектрами по 66 химическим элементам.

Практический смысл в том, что такие данные обычно разбросаны по публикациям и плохо подходят для машинной обработки. Если их удаётся собрать в единый набор, то сравнивать результаты между лабораториями и запускать более массовый поиск новых материалов становится заметно проще.

Источник: arXiv

Платформа для сканирующих микроскопов подводит науку к самоуправляемым измерениям

Работа AEcroscopyWave описывает программируемую платформу, через которую ИИ-агенты и люди могут единообразно управлять сканирующими зондовыми микроскопами и связанными приборами. Вместо набора разрозненных ручных процедур исследователи получают более цельный программный слой управления лабораторным оборудованием.

Значение здесь очень прикладное: путь к самоуправляемой науке упирается не только в умные модели, но и в то, можно ли вообще связать разное оборудование в один управляемый цикл. Эта работа как раз закрывает часть такого узкого места.

Источник: arXiv

LeanCSP добавляет формальную проверку в задачи ограничений и резко сокращает лишний перебор

LeanCSP переносит сквозную верификацию в программирование с ограничениями: система доказывает, что преобразования задачи сохраняют смысл, а затем проверяет сертификаты решателя внутри Lean. Авторы также показывают доказательства для разбиения симметрий, которые в некоторых семействах задач уменьшают объём поиска до 2×10^7 раз.

Почему это важно: научные и инженерные расчёты всё сильнее зависят от сложных автоматических решателей, но доверие к ним часто строится на репутации, а не на строгой проверке. Здесь ИИ и формальные методы помогают не только получить ответ, но и сделать вычислительный результат намного более надёжным.

Источник: arXiv

Если собрать эти работы вместе, картина получается любопытная: ИИ в науке всё чаще приносит ценность не в одной финальной догадке, а в укреплении всей цепочки — от данных и приборов до стратегии эксперимента и проверки вычислений. Именно такой сдвиг обычно и отличает ранний шум от настоящего взросления технологии.