Сегодняшние находки хорошо показывают, как ИИ всё чаще входит не только в анализ данных, но и в сам научный процесс: помогает проверять математические утверждения, управлять лабораторными шагами, разбирать причины успеха материалов и собирать более надёжные подсказки для медицины. Ниже — пять свежих работ, где особенно заметен переход от красивых демонстраций к инструментам, которые можно проверять и встраивать в реальную исследовательскую работу.

Beyond the Library: An Agentic Framework for Autoformalizing Research Mathematics

Эта работа двигает ИИ-помощь в формальной математике ближе к настоящим научным статьям, а не только к учебным задачам. Авторы описывают многошаговую агентную схему, которая умеет не просто переписывать теоремы в Lean 4, но и достраивать недостающие определения и вспомогательные леммы, а затем получать машинно проверяемые формулировки и доказательства.

Почему это важно: если такие системы начинают справляться с результатами из реальных статей, ИИ получает шанс стать не только помощником для объяснения математики, но и инструментом для проверки свежих научных утверждений. Для исследователей это шаг к среде, где новые результаты можно быстрее и строже перепроверять.

Источник: arXiv

Adaptive fine-tuning of foundation models for crystal structure prediction: Discovery of high-pressure phases in the CaFeNi system

Авторы показывают, как донастройка заранее обученной модели межатомных взаимодействий помогает ускорить поиск кристаллических структур в сложной тройной системе кальций-железо-никель. Важный результат здесь не только в экономии вычислений, но и в том, что работа предсказывает ранее неописанное соединение Ca6FeNi, которое становится термодинамически устойчивым при давлении выше 100 гигапаскалей.

Почему это важно: поиск новых материалов часто тормозится дорогими квантово-химическими расчётами. Если такие циклы с выбором наиболее полезных данных и повторной донастройкой модели окажутся устойчивыми, они могут заметно ускорить поиск новых фаз и соединений без резкой потери точности.

Источник: arXiv

Bridging electrode preparation and electrocatalyst performance with physics-based causal AI

Эта статья берёт очень практический вопрос из материаловедения: какие именно шаги при подготовке электрода реально влияют на качество электрокатализатора. Вместо обычного поиска корреляций авторы используют причинную модель, основанную на физике, и пытаются отделить вклад толщины электрода, загрузки материала, числа активных центров и соотношения носителя к катализатору.

Почему это важно: в небольших и шумных экспериментальных наборах данных обычные модели часто находят красивые, но бесполезные связи. Здесь ИИ используется не просто для предсказания, а для более осмысленного ответа на вопрос, что именно стоит менять в эксперименте, чтобы реально улучшить результат.

Источник: arXiv

DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction

DDIAgents рассматривает прогноз взаимодействий между лекарствами как задачу для нескольких специализированных агентов. Один планирует, какие источники знаний и какие виды экспертного разбора нужны для конкретной пары препаратов, а затем отдельный агент собирает итоговый вывод и объяснение.

Почему это важно: безопасность лекарств зависит от очень разнородных биомедицинских данных, и здесь особенно ценны не только точность, но и понятные объяснения. Если механизм-ориентированная схема действительно лучше обычных признаковых, графовых и языковых подходов, это может сделать клинические подсказки и сильнее, и прозрачнее для проверки.

Источник: arXiv

A Self-Evolving Agentic System for Automated Generation and Execution of Biological Protocols

ProtoPilot нацелен на одну из самых трудных задач для ИИ в биологии: превратить текстовое описание лабораторного протокола в последовательность шагов, управляющий код и реальные действия робота, которые выдерживают ограничения мокрой лаборатории. Авторы собрали большой набор задач по 98 эталонным протоколам и сообщают о сильных результатах как в виртуальной проверке, так и в реальных лабораторных испытаниях с подтверждёнными продуктами.

Почему это важно: здесь ИИ делает шаг от генерации текста к воспроизводимому биологическому исполнению с обратной связью. Если такие системы продолжат развиваться, они могут ускорить автоматизацию экспериментов там, где цена ошибки намного выше, чем в обычной переписке с моделью.

Источник: arXiv