ИИ в науке всё заметнее уходит от красивых единичных демонстраций к двум более зрелым режимам: либо помогает искать реальные кандидаты под жёсткие прикладные ограничения, либо становится общей исследовательской инфраструктурой для целых классов материалов. Обе свежие работы ниже хорошо показывают этот сдвиг.

Multi-Objective Molecular Generation with Preference Context for AI-Driven Drug Discovery

Эта работа предлагает подход к генерации молекул не по одному показателю, а сразу по нескольким целям, что гораздо ближе к реальной разработке лекарств. В статье авторы рассматривают сценарий поиска кандидатов против белка ClpP и показывают, как можно учитывать разные предпочтения одновременно, а не оптимизировать каждую цель по отдельности.

Почему это важно: в прикладном поиске лекарств почти никогда не бывает одной «правильной» метрики. Нужно одновременно думать об активности, физических свойствах, пригодности для дальнейшей разработки и вычислительной цене самого поиска. Если такие методы будут хорошо переноситься на практические задачи, они помогут сократить путь от красивой молекулы на экране до более жизнеспособного кандидата для настоящих лабораторных проверок.

Источник: arXiv

Empowering Polymeric Materials Discovery by Artificial Intelligence

Вторая работа смотрит шире и показывает, как ИИ встраивается в открытие полимерных материалов. Речь идёт не об одной узкой задаче, а о большом классе применений: накопители энергии, микроэлектроника, медицина и устойчивое производство.

Главный смысл здесь в том, что материаловедение начинает использовать ИИ как ускоряющий слой для целой индустриальной платформы, а не как точечный трюк для одной статьи. Полимеры — огромный и экономически важный класс материалов, и если машинное обучение действительно помогает быстрее находить полезные структуры и свойства, это может ускорять разработки сразу в нескольких отраслях, от батарей до медицинских устройств.

Источник: arXiv