Сегодняшняя подборка по AI-науке показывает сразу четыре разных направления, где ИИ пытаются использовать не как красивый интерфейс, а как инструмент для реального извлечения новых знаний — в математике, биологии и материаловедении.

MechMath Agent Team: LLM Driven Agents for Mathematical Research

Авторы описывают команду из трёх агентов для математических исследований: один ведёт базу знаний, второй работает с неформальными рассуждениями, третий отвечает за формальные доказательства. По статье, система два месяца работала на живых задачах из теории чисел, алгебраической сложности, дифференциальной алгебры, операторных алгебр и теории неравенств и за это время помогла решить 11 открытых задач, удерживая цикл привязанным к формально проверяемым доказательствам.

Почему это важно: здесь заявка уже не на очередной тест по школьной математике, а на длительную исследовательскую работу с проверкой результата. Если такие системы действительно выдерживают темп и качество вне демонстраций, они могут стать новым рабочим слоем между идеей исследователя и строгим доказательством.

Источник: arXiv

Self-Supervised Theorem Discovery in a Formal Axiomatic System

Эта работа спрашивает, способен ли ИИ открывать полезные математические утверждения, почти не опираясь на готовые человеческие библиотеки. Предложенный агент стартует только с аксиом и правил вывода, чередует поиск доказательств с выделением новых теорем и, по словам авторов, собирает библиотеку из десятков тысяч повторно используемых утверждений, которые потом помогают на задачах из человеческих наборов и улучшают работу языковых моделей, если подавать эти леммы как опору.

Почему это важно: в такой постановке ИИ не просто перебирает известные ходы, а наращивает собственный формально проверяемый запас знаний. Это шаг к системам, которые не только убедительно рассуждают на словах, но и пополняют математический инструментарий результатами, которые можно строго проверить.

Источник: arXiv

Resolving superposition in AI for interpretability and cross-modal alignment in patient-neuronal images

Авторы применяют разреженные автокодировщики к более чем 100 тысячам многоканальных изображений нейронов, полученных от пациентов с болезнью Паркинсона и здоровых людей. Цель — разложить спутанные внутренние представления модели на более понятные биологические признаки, а затем связать эти очищенные представления с реальными одноклеточными данными РНК-секвенирования через транспорт Громова—Вассерштейна, чтобы восстановить иерархию патологических путей без опоры на готовую пространственную карту.

Почему это важно: одна из больших проблем AI в биологии — модели умеют находить сигналы, но плохо объясняют, что именно они увидели. Если этот подход работает, то микроскопические изображения можно будет напрямую связывать с молекулярными состояниями клетки, а не довольствоваться просто «полезным, но тёмным» вектором признаков.

Источник: arXiv

Bridging electrode preparation and electrocatalyst performance with physics-based causal AI

Исследователи используют причинные модели, опирающиеся на физику процесса, чтобы разобраться, как подготовка электрода влияет на работу электрокатализатора в очень маленьком, но многомодальном наборе данных. В их примере с оксидом марганца и сурьмы метод помогает отделить влияние соотношения носителя и катализатора, а также загрузки материала, и понять, связано ли изменение результата с числом активных центров или с толщиной электрода.

Почему это важно: в материаловедении экспериментов часто мало, а поведение системы слишком запутано для простых корреляций. Причинный ИИ здесь интересен тем, что обещает вытаскивать более пригодные для следующего эксперимента правила из редких и шумных данных, а значит — ускорять поиск рабочих материалов без бесконечного перебора.

Источник: arXiv