Сегодняшняя подборка из arXiv важна не громкими обещаниями, а тем, что в каждой работе есть понятный практический вывод: где-то ИИ помогает дойти до экспериментально подтверждённого результата, а где-то, наоборот, авторы показывают, почему привычные метрики уверенности и бенчмарки могут уводить науку в сторону. Ниже — четыре свежих сигнала из химии, биологии, медицины и математики.

ИИ с явным разбором реакционной сети помог предложить более селективный катализатор

Авторы этой работы заставляют сильную модель рассуждать не по поверхностным совпадениям, а по явной сети химических реакций, после чего используют её гипотезы для подбора катализатора в задаче электрохимического восстановления углекислого газа. Самое важное здесь то, что история не заканчивается красивой схемой на бумаге: гипотезу проверили экспериментально и получили медно-железооксидный катализатор с примерно втрое более высокой селективностью по ацетату по сравнению с сопоставимыми медьсодержащими образцами. Это один из самых наглядных примеров того, как ИИ может помочь перейти от идей о механизме реакции к реально проверяемому решению в химии материалов.

Источник: arXiv

Калибровка в виртуальном скрининге лекарств может внушать ложную уверенность

Эта работа — полезное отрезвление для команд, которые используют конформный прогноз, чтобы обвешивать результаты виртуального скрининга оценками надёжности. Главная мысль авторов в том, что при несбалансированных данных привычная гарантия калибровки может вводить в заблуждение: модель выглядит статистически аккуратной, но именно в самых важных для химика случаях ошибается сильнее, чем кажется. Для прикладной разработки лекарств это важный сигнал: красивые интервалы уверенности сами по себе ещё не означают, что системе можно доверять в реальном отборе кандидатов.

Источник: arXiv

Авторы предлагают пересмотреть ориентиры для прогноза специфичности ферментов

Исследование утверждает, что многие способы проверки моделей для прогноза специфичности ферментов слишком далеки от настоящих задач биологического открытия. Вместо гонки за удобными цифрами авторы предлагают оценивать модели так, чтобы их результаты лучше помогали решать практический вопрос: какие ферменты действительно стоит брать в дальнейшую работу. Отдельно выделяется мысль, что представления, учитывающие полный биомолекулярный комплекс и взаимодействия внутри него, могут оказаться полезнее для реального отбора кандидатов, чем более упрощённые подходы.

Источник: arXiv

Почему языковые модели пока не дотягивают до настоящей математической науки

Эта программная статья проводит важную границу: современные системы доказательства теорем уже неплохо справляются с чётко заданными формальными задачами, но это ещё очень далеко от открытой исследовательской работы, где нужно искать новые направления, придумывать полезные промежуточные шаги и работать в диалоге с человеком. Ценность текста в том, что он смещает разговор с темы «умеет ли модель доказать готовую теорему» к теме «что вообще нужно, чтобы ИИ стал участником математического исследования». Авторы отдельно разбирают узкие места — от данных и инструментов до режима исследования и сотрудничества человека с машиной.

Источник: arXiv

Общий вывод этой подборки такой: в ИИ для науки сейчас одинаково важны и прорывные демонстрации, и честные работы, которые показывают ограничения привычных методов оценки. Именно это сочетание и отличает живую научную область от потока красивых, но слабо проверяемых заявлений.