В сегодняшней научной подборке — пять работ, которые хорошо показывают, как ИИ и смежные вычислительные методы заходят в математику, материаловедение и медицину. Здесь важен не шум вокруг моделей, а то, где они начинают закрывать настоящие рабочие узкие места.

Lean 4 формализовал преобразование Лапласа и теорему обращения

Исследователи формально описали в Lean 4 само преобразование Лапласа, его основные правила и вариант теоремы обращения, а затем показали работу этого аппарата на примере гармонического осциллятора. Это важно потому, что речь идёт об одном из базовых инструментов физики и инженерных расчётов. Если машинно-проверяемая математика хочет быть полезной в реальной науке, ей нужно уметь надёжно работать не только с учебными игрушками, но и с таким фундаментом.

Источник: arXiv

Автономная оптимизация становится серьёзным кандидатом для поиска лучших оксидных материалов под термохимическое топливо

Авторы утверждают, что сложные оксидные материалы для термохимического производства топлива уже хорошо подходят для автономного проектирования, потому что там одновременно нужно искать по составу, дефектам, устойчивости фаз и форме материала. Практический смысл большой: превращение воды и CO2 в топливо — одна из самых трудных задач в чистой энергетике, и обычный перебор вариантов здесь слишком медленный. Если такой подход сработает, ИИ сможет заметно ускорить поиск полезных материалов.

Источник: arXiv

EliSeg превращает запутанные радиологические описания в проверенные цели для сегментации

Проблема в радиологии давно понятна: в одном описании могут быть сразу несколько находок, сомнительные формулировки и отрицания, а большинство систем сегментации делают вид, что нужная цель уже заранее известна. EliSeg добавляет цикл, где система сначала выясняет, что именно вообще нужно выделять по тексту заключения, а уже потом строит маски. Это важно потому, что такой подход ближе к тому, как реально устроены больничные документы, а значит делает медицинский ИИ практичнее.

Источник: arXiv

LSEAD использует локальный анализ речи для раннего скрининга болезни Альцгеймера

LSEAD расшифровывает естественную речь, извлекает текстовые представления с помощью локально развёрнутых открытых языковых моделей и применяет их для раннего скрининга болезни Альцгеймера. Здесь важна не только точность, но и архитектура решения: анализ остаётся локальным, без обязательной отправки чувствительных данных наружу. Для клиник это может оказаться критично, потому что речевой скрининг дёшев, неинвазивен и проще в развёртывании, если не требует передачи персональных данных во внешние сервисы.

Источник: arXiv

ResidencyRL тренирует клинический ИИ на длинных симулированных приёмах пациентов

Работа предлагает схему ResidencyRL, где медицинские ИИ-агенты учатся не на статичных вопросах, а на длинных симулированных клинических беседах с использованием инструментов и даже с неудобным поведением пациента. Это важный сдвиг, потому что реальная медицина почти никогда не сводится к одному вопросу с одним ответом. Врач собирает анамнез, меняет гипотезы по ходу разговора и принимает решения в условиях неполной информации. Если тренировка смещается именно туда, клинические помощники становятся ближе к реальной практике, а не к красивым результатам на тестах.

Источник: arXiv

Общий вывод простой: самые интересные сдвиги сейчас происходят там, где ИИ встраивают в длинные, грязные и плохо формализованные научные процессы. Именно в таких местах и становится видно, приносит ли он реальную пользу или остаётся лишь удобной демонстрацией.