ИИ-агент управляет многодневными квантовыми измерениями

Исследователи описали лабораторный рабочий процесс, где ИИ-агент планирует и выполняет многошаговые измерения квантового транспорта на двумерных полупроводниковых устройствах. Важная деталь — речь не о пересказе статей, а о физическом управлении экспериментом: система получает короткие инструкции, строит план, работает с приборами и адаптирует действия в течение нескольких дней.

Если подход подтвердится за пределами одной установки, это станет шагом к более самостоятельным научным лабораториям, где ИИ не только предлагает гипотезы, но и безопасно ведёт долгие серии измерений.

Большое сравнение проверяет, где ИИ действительно лучше научных методов

Работа AI-Enabled Scientific Frontier собрала 2507 прямых сравнений между методами на основе ИИ и альтернативными способами научного анализа в 27 дисциплинах. Ценность здесь не в очередном общем обещании ускорить науку, а в попытке измерить, где ИИ реально выигрывает, где проигрывает и где просто даёт другой компромисс.

Для области это полезный противовес рекламным заявлениям: вместо вопроса «ускоряет ли ИИ науку вообще» появляется более строгий вопрос — в каких задачах, при каких данных и какой ценой.

Архитектура для деменции ставит ИИ-агентов под управляемые правила

Авторы работы о помощи людям с деменцией предлагают внешний слой координации для ИИ-агентов, которые связывают датчики, устройства выдачи лекарств, электронные медицинские записи и вспомогательные технологии. В центре — состояние ухода, разрешённые действия, контракты безопасности и проверка рабочих процессов на основе доказательств.

Это важно потому, что медицинский ИИ постепенно выходит за рамки чат-ботов. Когда система начинает координировать несколько устройств и людей, ей нужны не только ответы, но и понятные ограничения, журнал действий и ответственность.

Клиническая оценка ИИ: прогноз ещё не равен раннему выявлению

Эта работа предупреждает о ловушке в проверке продольных клинических ИИ-систем. Модель может выглядеть так, будто выявляет болезнь раньше врача, но на деле использовать следы уже начатого медицинского внимания: дополнительные обследования, изменения в записях или другие сигналы, возникшие после первых подозрений.

Вывод практичный: для медицины мало показать хорошую точность. Нужно доказать, что система действительно видит риск до распознавания проблемы врачами, а не пользуется косвенными признаками уже начавшегося лечения.

ИИ проверяют на глаукому с недорогих ручных снимков сетчатки в Западной Африке

Авторы разработали интерпретируемую систему для выявления глаукомы по недорогим ручным фотографиям глазного дна. Исследование охватило 681 участника и сравнило переносную съёмку с клиническим настольным оборудованием.

Смысл работы — не просто ещё одна медицинская модель, а попытка сделать скрининг применимым там, где нет дорогой инфраструктуры. Для глобального здравоохранения это важнее красивых результатов на идеальных больничных данных.

Моделирование гафнии связывает переключение памяти с диффузией кислорода

В материаловедческой работе использована молекулярная динамика с машинным обучением для изучения ферроэлектриков на основе гафнии при комнатной температуре. Авторы выделяют два механизма переключения на реалистичных временных масштабах и связывают их с диффузией кислорода и пробоем.

Это важно для памяти и надёжности устройств: модель помогает связать атомные процессы с тем, как материал в итоге переключается или выходит из строя.

Модель воды пересматривает спор о переохлаждённой воде

Авторы используют моделирование с потенциалом машинного обучения, обученным на модели воды MB-pol, и моделью стеклования Tool-Narayanaswamy-Moynihan. Их вывод: рост теплоёмкости в сверхбыстрых экспериментах с переохлаждённой водой можно объяснить динамикой стеклования без обращения к переходу между двумя жидкими состояниями.

Это хороший пример того, как научный ИИ не обязательно открывает новую сенсацию: иногда он даёт более строгий способ переоценить старый спор в физической химии.

PROSWIN прогнозирует скорость солнечного ветра на четыре дня вперёд

PROSWIN — вероятностная модель машинного обучения, которая предсказывает почасовую скорость солнечного ветра у Земли с горизонтом в четыре дня, используя изображения Солнца. Важная часть — не только сам прогноз, но и оценка неопределённости.

Для космической погоды это практично: потоки быстрого солнечного ветра могут влиять на инфраструктуру, а операторам полезнее знать диапазон риска, чем получать одну уверенную, но хрупкую цифру.