Три работы показывают разные способы сделать научный поиск экономнее: быстрее отбирать структуры, уменьшать обучающие выборки и замечать, когда исходного набора гипотез недостаточно. Сопоставимых голосов и оценок в материалах нет, поэтому порядок редакционный. Все три источника — препринты; описанные результаты не следует принимать за независимо подтверждённые лабораторные открытия.

MACE: проверка 17 624 дефектных структур

В работе от 14 октября модель MACE применили к 17 624 дефектным структурам двумерных материалов из набора ADAQ. Расчёты проводили при нуле и 300 кельвинах. Модель воспроизвела общие закономерности: когда примесь закрепляется на поверхности, а когда внедряется внутрь материала. Ранее эти закономерности получали более дорогими квантовыми расчётами. При комнатной температуре качественная картина в основном сохранилась.

Практический смысл — быстрее отбирать дефекты, которые могут помочь управлять свойствами материала. Однако совпадение общей картины не означает точного совпадения всех величин. Авторы подчёркивают: количественная проверка по-прежнему требует расчётов из первых принципов. Здесь нейросеть помогает сузить поиск, а не заменить окончательную физическую проверку.

EnvTok: меньше данных для обучения моделей материалов

В препринте от 9 октября модели MACE обучали на выборках из 6,5 миллиона атомов — менее 1% набора OMat24. Проверяли случайный отбор, группировку представлений и новый метод EnvTok, который выбирает разнообразные локальные окружения атомов ещё до разметки и обучения.

По силам и ряду свойств материалов результаты оказались близки к модели, обученной на полном наборе; в части проверок они были лучше. Это указывает на возможность сократить стоимость подготовки данных и потратить ресурсы на более точные квантовые расчёты для меньшей выборки.

Ограничение важно: сильная избыточность показана для исследованного набора и конкретных проверок. Работа не утверждает, что любая научная выборка допускает такое сокращение без потерь.

Пересмотр гипотез: когда подгонки параметров недостаточно

Работа от 6 октября описывает систему, которая одновременно выбирает изменение структуры модели и эксперимент для его проверки. Вместо бесконечной подгонки параметров внутри неизменной теории она может искать другой допустимый механизм объяснения.

На 400 отложенных управляемых динамических средах авторы сообщают о 89,5% точного восстановления при бюджете 32 экспериментов — на 10 процентных пунктов выше сильнейшего сопоставимого метода. Если нужного механизма нет в библиотеке допустимых изменений, система выявляет её недостаточность в 88% случаев.

Это испытания в контролируемых средах с заданными библиотеками моделей, а не доказательство самостоятельных открытий в физической лаборатории. Тем не менее сама возможность признать недостаточность исходной теории полезна: хороший научный помощник должен уметь замечать границы доступных объяснений.

Общий вывод этих работ скромнее обещания «автоматизировать науку»: ИИ может помогать распределять дорогие вычисления и эксперименты, но надёжность каждого шага всё ещё нужно проверять.