В этой подборке — четыре свежих сигнала о том, как ИИ помогает не просто ускорять расчёты, а менять сам способ научной работы: в математике, медицине и материаловедении. Ниже — все находки из текущего набора.

Real-time dynamics of the two-step charge-density-wave transition in bulk 1T-TaS2

Авторы обучили модель межатомных взаимодействий на данных из расчётов первого принципа и затем использовали её, чтобы проследить поведение больших сверхъячеек 1T-TaS2 на наносекундных масштабах. Это позволило разложить двухшаговый фазовый переход на отдельные механические стадии и показать, что смещение и разупорядочивание кластеров происходят раньше, чем исчезает локальная деформация.

Почему это важно: такие временные и пространственные масштабы обычно слишком дороги для стандартной атомистической динамики. Здесь ИИ не просто ускоряет вычисления, а даёт исследователям более ясную физическую картину сложного перехода в материале.

Источник: arXiv

MechGeo: Autoformalizing and Proving Euclidean Geometry in Lean 4

Система MechGeo объединяет автоматический перевод неформальной геометрической задачи в формальный вид, собственно рассуждение и последующую проверку доказательства в Lean 4. В работе показано, что подход умеет не только доказывать часть исторических задач математических олимпиад, но и находить корректные контрпримеры там, где исходная формулировка оказалась неверной.

Почему это важно: это шаг от красивых демонстраций к более надёжной математической автоматизации, где итог можно проверить на уровне ядра формальной системы. Для научной математики это особенно ценно, потому что машина здесь помогает не только искать ответ, но и подтверждать его строгость.

Источник: arXiv

HarMoE: Multi-Source Chest Radiograph Pretraining with Dataset-Disentangled Experts

HarMoE предлагает обучать модель для рентгенографии грудной клетки сразу на нескольких размеченных наборах данных и при этом разделять особенности конкретных источников и общую медицинскую семантику. По описанию авторов, это улучшает работу в режиме без дополнительной настройки, перенос на новые условия и привязку выводов к изображению.

Почему это важно: медицинские модели слишком часто выглядят сильными только внутри одного набора данных, а затем заметно слабеют в другой больнице или на другом оборудовании. Если такой подход действительно повышает устойчивость к смене источника, это приближает ИИ к более надёжному применению в клинической практике.

Источник: arXiv

Self-supervised DXA representations encode multi-system disease risk, biological aging and heritability

Авторы представили модель LeDXA, обученную без ручной разметки на полных сканах тела методом двухэнергетической рентгеновской абсорбциометрии. По их данным, полученные представления помогают предсказывать уже имеющиеся и будущие заболевания, оценивать биологический возраст и извлекать наследуемые сигналы состава тела лучше, чем обычные показатели сканера.

Почему это важно: обычное обследование может содержать гораздо больше прогностической информации, чем сегодня используется в клинике. Если этот результат подтвердится, ИИ сможет превращать уже привычные диагностические процедуры в более широкие инструменты раннего выявления рисков без сбора принципиально новых данных.

Источник: arXiv