Научная повестка по ИИ всё чаще уходит от общих обещаний к очень конкретным рабочим результатам: ускорить расчёт, собрать пригодные данные, доказать теорему или честно проверить, где агент действительно помогает исследователю, а где пока нет. В этой подборке как раз такие истории — местами очень прикладные, но от этого только важнее.

1. ИИ начал предлагать новые приближённые схемы для квантовой химии

Авторы описывают систему, в которой языковая модель не просто обслуживает готовый рабочий контур, а предлагает, реализует и проверяет новые упрощённые вычислительные схемы внутри стандартных программ квантовой химии.

Почему это важно: здесь ИИ выступает уже не как удобный интерфейс, а как инструмент для поиска новых вычислительных коротких путей. Если такие подходы действительно позволяют сохранять заданную точность и при этом удешевлять расчёты, это может заметно ускорить работу в химии материалов и молекулярных исследованиях.

Источник: arXiv

2. Поиск сверхпроводников ускорили на массиве примерно из двух миллионов материалов

В этой работе физически осмысленный признак для отбора материалов объединили с быстрым методом на основе глубокого обучения, чтобы просеять огромный массив кандидатов на фононные сверхпроводники. Среди главных результатов — новые перспективные соединения, которые авторы выделяют как кандидатов с высокой температурой перехода.

Почему это важно: охота за новыми сверхпроводниками обычно упирается в цену и длительность расчётов. Когда ИИ помогает сузить поиск до действительно интересных семейств веществ, путь от гипотезы к эксперименту становится короче и практичнее.

Источник: arXiv

3. Новый контур для открытия материалов пытается защитить языковые модели от узкого и ложного вывода

Авторы работы предлагают систему, которая должна снижать риск ситуации, когда языковая модель цепляется за слишком узкий кусок найденной информации и строит вывод без полноценной физической картины. Для этого они сочетают знания из научной литературы, причинное рассуждение и прослеживаемую цепочку от процесса к свойствам материала.

Почему это важно: в науке мало получить красивый ответ — нужно ещё понимать, почему система к нему пришла. Такие подходы делают ИИ в материаловедении не просто более умным, а более проверяемым и пригодным для реальной исследовательской работы.

Источник: arXiv

4. Многоагентная система научилась собирать базы данных по метаматериалам прямо из статей

Работа описывает многомодальную многоагентную систему, которая берёт неструктурированные статьи по метаматериалам, извлекает из них структуру и отклик, а затем превращает всё это в исполнимые базы данных, пригодные для дальнейшего проектирования.

Почему это важно: одна из главных проблем ИИ в физике и материалах — не только модели, но и нехватка удобных, повторно используемых данных. Если литературу можно автоматически превращать в рабочие базы, исследователи быстрее переходят от чтения статей к реальному проектированию новых структур.

Источник: arXiv

5. ИИ помог получить и формально проверить новое математическое доказательство

Авторы сообщают о доказательстве критерия для наибольшего общего делителя некоторых биномиальных коэффициентов и отдельно подчёркивают, что естественно-языковое доказательство и его формальная машинная проверка были получены агентной системой.

Почему это важно: это уже не просто разговор о баллах на математических тестах. Когда ИИ участвует в получении результата уровня теоремы, а затем тот ещё и проходит строгую формальную проверку, это приближает нас к более надёжной форме машинной помощи в математических исследованиях.

Источник: arXiv

6. Для ИИ-агентов в доклинической фармакологии предложили отдельный отраслевой тест

Последняя работа не обещает очередной прорыв, а делает не менее важную вещь: предлагает специальный тестовый набор для оценки того, насколько ИИ-агенты справляются с задачами доклинической фармакологии малых молекул. Речь идёт о сценариях, ближе к реальной разработке лекарств, а не к удобным игрушечным примерам.

Почему это важно: вокруг ИИ в разработке лекарств уже много громких заявлений, но без жёсткой профильной проверки трудно понять, где система действительно полезна. Такие тесты нужны, чтобы отделять красивую демонстрацию от инструмента, которому можно доверять в реальной научной работе.

Источник: arXiv