Свежая подборка по ИИ в науке сегодня показывает не одну громкую область, а сразу несколько: математику, роботизированную биологию, материаловедение и геномику. Общая линия проста: ИИ всё чаще помогает не только анализировать данные, но и ускорять переход от идеи к проверяемому научному действию.

ИИ и человек совместно проложили путь к новому квантовому алгоритму

Авторы этой работы разбирают более ранний и более трудный этап научного поиска: не решение уже поставленной задачи из теста, а превращение смутной исследовательской догадки в конкретное математическое направление. В центре статьи — квантовые алгоритмы для матричных уравнений и матричных функций.

Главный вывод интересен именно своей приземлённостью: ИИ оказался полезен не как волшебный автомат доказательств, а как инструмент перебора маршрутов, поиска связей между идеями, подготовки черновых выкладок и скептической проверки внутри цикла, где окончательное решение всё равно держит человек. Это важный сигнал для разговоров о науке с ИИ: ускорение может приходить не только на финальном ответе, а уже на этапе выбора правильного направления.

Двухагентная система перевела биологический протокол в команды для роботизированной лаборатории

Исследователи предложили схему из двух агентов, которая превращает написанный обычным языком биологический протокол в исполнимые команды для лабораторной роботизированной платформы. Первый агент разбирает и структурирует текст, затем правило-ориентированный слой переводит его в команды для приборов, а отдельный агент проверки смотрит на полноту и порядок шагов и при необходимости запускает самокоррекцию.

Авторы показали полный прогон на белковом анализе по Брэдфорду. Значение работы в том, что она приближает более практичную версию самоуправляемой лаборатории: исследователь пишет метод как человек, а система старается довести его до машины без ручного переписывания каждого шага.

Крупные ИИ-модели предлагают ускорить поиск твёрдых электролитов для новых батарей

Эта обзорная работа посвящена тому, как большие ИИ-модели могут помочь в поиске лучших твёрдых электролитов для металлических батарей следующего поколения. Авторы предлагают смотреть на задачу не как на статический поиск по базе материалов, а как на замкнутый цикл, где сочетаются модели межатомных взаимодействий, большие языковые модели, выбор вариантов с учётом неопределённости и экспериментальная проверка.

Почему это важно: хорошие твёрдые электролиты должны одновременно соответствовать нескольким жёстким требованиям — от переноса ионов и химии дефектов до механической прочности и устойчивости на границах материалов. Если ИИ действительно поможет быстрее отсеивать слабые кандидаты и собирать более осмысленные циклы проверки, это может заметно ускорить разработку аккумуляторов.

DeepBD предлагает новый ИИ-конвейер для генетической диагностики врождённых нарушений

Новая работа описывает DeepBD — систему с поддержкой ИИ для интерпретации геномного и экзомного секвенирования при подозрении на генетические врождённые нарушения. Авторы объединяют структурированные доказательства, заранее обученные оценки, специализированные модули и проверку с помощью большой языковой модели.

На отложенном наборе из 18 622 внутренних случаев плода и младенца авторы сообщают Recall@1/3/5/10 на уровнях 0,658/0,882/0,912/0,929. Это важно потому, что интерпретация вариантов остаётся одним из самых узких мест между самим секвенированием и реальным диагнозом, а значит любой надёжный прирост скорости и качества здесь может иметь прямой клинический смысл.