Свежая мини-подборка по ИИ в науке сегодня особенно хорошо показывает практический сдвиг: системы ценны не только как генераторы идей, но и как инструменты, которые помогают быстрее сузить пространство вариантов и довести результат до проверки. Ниже — обе новые работы из текущего набора.

ИИ помог вывести правила проектирования металлоорганических каркасов с управляемым отрицательным тепловым расширением

Авторы работы построили базу фононных данных более чем по 12 тысячам металлоорганических каркасов с помощью машинно-обучаемого межатомного потенциала, а затем вывели практические правила, которые помогают настраивать отрицательное тепловое расширение таких материалов. Самое важное здесь в том, что исследование не остановилось на вычислениях: предложенный подход дополнительно проверили экспериментально на вариантах Ce-UiO-66.

Почему это важно: в материаловедении главная проблема часто не в том, чтобы придумать ещё один красивый алгоритм, а в том, чтобы быстро отсеять огромный набор кандидатов и прийти к веществам, которые выдерживают проверку в лаборатории. Эта работа выглядит сильной именно потому, что ИИ здесь стал не витриной, а ускорителем отбора и проверки.

Источник: arXiv

HALO предложил более сильный режим совместного поиска гипотез для разработки лекарств

Система HALO задумана не как автомат, который просто выдаёт список молекул, а как человеко-машинный помощник для выдвижения гипотез в поиске лекарств. В исследовании с участием 10 медицинских химиков она помогала специалистам рассуждать о кандидатах и, по описанию авторов, привела к более качественным и более разнообразным идеям.

Почему это важно: это хороший пример более реалистичного применения ИИ в науке. Вместо обещания «заменить учёного» система усиливает работу эксперта именно там, где нужно исследовать сложное пространство вариантов и не потерять разнообразие направлений поиска.

Источник: arXiv