В этой подборке особенно ценен первый результат: он не обещает очередной универсальный прорыв, а проверяет, где ИИ в химии действительно работает хуже ожиданий. Остальные работы показывают, как модели постепенно входят в физическое моделирование, расчёты материалов, биологию развития и медицинские данные.

Молекулярные языковые модели не всегда лучше градиентного бустинга

Авторы системно проверили химические языковые модели на 64 задачах предсказания свойств молекул. Главный вывод неприятен для простой истории «больше предварительного обучения — лучше химия»: выигрыш не масштабируется надёжно, а качество часто насыщается ниже сравнений с градиентным бустингом.

Практический смысл важен для лабораторий и компаний, которые строят модели для молекулярного поиска. Нельзя считать, что большая модель на химических строках уже сама выучила полезную химию. Нужны честные сравнения с простыми методами, обучение на данных конкретной области и проверка на независимых задачах, иначе можно купить сложность без выигрыша.

Диффузионные модели учатся сэмплировать решёточные теории поля без готовых эталонных данных

Вторая работа показывает, что диффузионные модели для решёточной теории поля можно обучать не на заранее полученных образцах целевого распределения, а на собственных сгенерированных образцах. Авторы используют тождество целевого градиента и ненормированную плотность вероятности; в двумерной теории φ4 подход даёт качество, сравнимое с обучением на данных метода Монте-Карло с гамильтоновой динамикой.

Почему это важно: в таких задачах сами тренировочные образцы часто являются дорогим узким местом. Если генеративный сэмплер может учиться без полного набора эталонных данных, это снижает стоимость вычислительной физики и даёт путь к более дешёвым расчётам сложных систем.

Функционал без орбиталей восстанавливает плотность органических кристаллов с ошибкой 0,4%

STRUCTURES-P — машинно обученный полноэлектронный функционал плотности без орбиталей для периодических систем из углерода, водорода, азота и кислорода. По аннотации, минимизация функционала из суммы атомных плотностей восстанавливает основное состояние по схеме Кона — Шэма; на отложенных кристаллах ошибка плотности падает с 6,7% до 0,4%.

Если результат подтвердится, это шаг к более дешёвым расчётам органических и энергетических материалов. Полный цикл Кона — Шэма остаётся дорогим, а здесь авторы пробуют приблизиться к его результату через обученный функционал, сохраняя связь с физической плотностью электронов.

Гамильтонианы на нейросетях переносят к расчётам с плоскими волнами и гибридными функционалами

Авторы предлагают способ строить компактные атомно-орбитальные гамильтонианы из электронно-структурных расчётов на плоских волнах, сохраняя эффекты нелокальных операторов. Цель — расширить предсказание гамильтонианов глубокими нейросетями с более узких атомно-орбитальных схем на расчёты теории функционала плотности с плоскими волнами и гибридными функционалами.

Для материаловедения это важно потому, что более точные расчётные схемы часто остаются слишком дорогими. Если машинное обучение сможет переносить их в компактное представление без грубой потери физики, ускорение электронно-структурных расчётов станет практичнее для реального поиска материалов.

Базовая модель переносится с симуляций жидкостей на видео развития эмбрионов

Эта работа показывает перенос представлений, обученных на физических системах, к динамике эмбрионов дрозофилы без дообучения. Идея в том, что на масштабе ткани морфогенез можно описывать как непрерывное течение, поэтому закономерности из симулированных жидкостей помогают там, где данных из живых организмов мало.

Это интересный пример моста между физикой и биологией развития. Новые мутации и воздействия трудно массово снимать в эксперименте, поэтому полезная базовая модель может дать исследователям начальную карту движения тканей до того, как появятся большие биологические наборы данных.

AutoNovo ищет переносимые алгоритмы дизайна нуклеиновых кислот

AutoNovo использует агентный поиск программ: агент предлагает код дизайнера нуклеиновых кислот, запускает его, оценивает результат и улучшает следующий вариант. Цель — не просто подобрать последовательность под один предсказатель, а найти алгоритм дизайна, который лучше переносится на независимые модели.

Для ИИ в биологии это важный сдвиг. Поиск идёт не только по пространству молекул, но и по пространству способов их проектирования. Такой подход может уменьшить риск переоптимизации под один удобный оценщик, когда красивая последовательность разваливается при другой проверке.

ECG-RSI улучшает модели электрокардиограмм через проверяемую эволюцию сигналов

ECG-RSI предлагает рекурсивное самоулучшение для электрокардиограмм: система синтезирует варианты сигнала, проверяет измеримые параметры и использует ошибки модели, чтобы выбирать новые вмешательства. В семи проверках три раунда подняли среднюю точность Qwen3.5-35B-A3B на задачах с электрокардиограммами.

Здесь особенно важно, что самоулучшение привязано к измеряемому медицинскому сигналу, а не к свободной самокритике модели. Такой контур выглядит ближе к безопасной научной практике: модель меняет данные, проверяет физические свойства сигнала и учится на конкретных ошибках.

MFG учит языковую модель улучшать молекулы через многошаговую обратную связь

Работа MFG рассматривает поиск лекарств как итеративное улучшение молекулы под несколько целей. Модель меняет структуру, получает вычислительную или экспериментальную обратную связь и делает следующий шаг, вместо того чтобы один раз сгенерировать похожую молекулу.

Это ближе к реальной медицинской химии: одна правка редко одновременно улучшает активность, безопасность, растворимость и синтезируемость. Поэтому ценность здесь не в красивой генерации, а в обучении модели пользоваться последовательной обратной связью как частью рабочего цикла исследователя.