В научной повестке вокруг ИИ сегодня интереснее всего не громкие обещания, а конкретные ускорители исследования. В этой подборке — пять работ, где выигрыш появляется либо в скорости, либо в качестве научного контура: от биомедицинского анализа и материаловедения до математики и управляемой самосборки.

Отбор признаков для биомедицины стал на порядок быстрее

Авторы переработали семейство алгоритмов отбора признаков, чувствительных к взаимодействиям между признаками, и показали ускорение примерно в 10–35 раз без заметной потери качества. Для биомедицины это особенно важно: такие задачи часто упираются в шумные данные высокой размерности, где обычные методы либо слишком медленные, либо плохо видят скрытые сочетания факторов. Если результат подтвердится в прикладных контурах, это может заметно удешевить поиск биомаркеров и построение диагностических моделей.

Источник: arXiv

Новый атлас степеней окисления усиливает поиск материалов

Исследователи собрали крупный атлас степеней окисления на основе более чем 150 тысяч кристаллических структур и превратили его в практический инструмент для проверки гипотез о новых материалах. В переводе на прикладной язык это означает более сильную «химическую интуицию» для вычислительных систем, которые предлагают новые структуры. Такой приоритет помогает раньше отсекать неправдоподобные кандидаты и экономить вычисления в генеративном поиске материалов.

Источник: arXiv

Обучение с подкреплением нашло новые траектории самосборки мягких структур

В этой работе обучение с подкреплением использовали не просто для выбора конечной формы, а для проектирования самой последовательности сборки цепочек из капель с ДНК-покрытием. Ключевой результат в том, что система научилась находить неочевидные пути, где ради правильной итоговой структуры нужно временно разрушать уже созданные связи. Это важный шаг для материалов, которые должны не только собираться, но и перенастраиваться, восстанавливаться или менять форму под задачу.

Источник: arXiv

Автоматическая формализация геометрии остаётся слабым местом математического ИИ

Авторы представили новый проверяемый тест, который измеряет, насколько хорошо модели переводят обычное текстовое условие геометрической задачи в строгий машинный формат. Вывод отрезвляющий: проблема не только в самом доказательстве, а ещё раньше — в точном превращении человеческой формулировки в формальный объект, с которым может работать система. Для ИИ в математике это один из самых важных узких участков, потому что без надёжной формализации даже сильное рассуждение не доходит до проверяемого результата.

Источник: arXiv

Совместная платформа для формальной математики делает ставку на людей и ИИ вместе

Последняя работа предлагает открытую платформу, где люди и ИИ-агенты совместно ведут формализацию математических результатов, а каждое изменение сразу проходит машинную проверку корректности. Важность здесь не в очередной демонстрации «модель что-то доказала», а в попытке превратить формальную математику в масштабируемый коллективный процесс с общей памятью, проверяемостью и накоплением повторно используемой работы. Если такие контуры взлетят, они могут сильно ускорить перенос исследовательской математики в строгую машинную форму.

Источник: arXiv