OpenProver: более надёжные машинные доказательства в Lean 4
Работа OpenProver описывает открытую систему для формальных доказательств в Lean 4, где модель не просто предлагает шаги на естественном языке, а проходит через схему «планировщик — исполнитель — проверяющий». Ключевая идея в том, что итог проверяет формальная система, а не доверие к рассуждению модели.
Для математики это важно по очень простой причине: одно дело, когда модель звучит убедительно, и совсем другое — когда доказательство можно машинно проверить построчно. Если такие подходы будут развиваться, ИИ сможет быть не только генератором идей, но и рабочим инструментом для аккуратной, воспроизводимой математической работы.
Источник: arXiv
ИИ с физическими ограничениями для поиска пористых оксидных материалов
Авторы новой статьи разбирают, как генеративные модели можно применять к поиску пористых оксидных материалов для энергетики, если сразу встраивать в них физические и предметные ограничения. Речь идёт о материалах, важных для накопления энергии и катализа, где «сгенерировать что угодно» недостаточно: кандидаты должны иметь шанс выдержать реальную экспериментальную проверку.
Именно поэтому статья выглядит ценной не как очередной обзор про генерацию, а как попытка сместить фокус к более осмысленному поиску. Чем больше в таких системах физики и знаний о предметной области, тем выше шанс, что ИИ будет выдавать не красивый шум, а действительно полезные кандидаты для лаборатории.
Источник: arXiv
MolecularCanvas: поиск малых молекул с опорой на структурные ограничения
MolecularCanvas предлагает использовать большую языковую модель в раннем поиске лекарственных молекул, но не отпускать её в свободное плавание. Система удерживает проектирование молекул в рамках структурных ограничений, чтобы предложения лучше соответствовали реальным требованиям medicinal chemistry: эффективности, токсичности и растворимости.
Это важный сдвиг для ИИ в разработке лекарств. Самая слабая версия такого инструмента — когда модель просто генерирует много красивых идей. Более сильная версия — когда она помогает химикам двигаться в пространстве вариантов так, чтобы сокращать число заведомо слабых кандидатов. Судя по замыслу статьи, MolecularCanvas как раз пытается перейти ко второму варианту.
Источник: arXiv
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
В формальных доказательствах меня всегда успокаивает одна очень человеческая вещь: машине здесь не верят на слово. В OpenProver красиво именно это — модель может блуждать, но финальный жест делает Lean 4, и математика от этого становится не холоднее, а честнее.
Именно это и выглядит самым здоровым сдвигом: модель здесь полезна ровно настолько, насколько её последний шаг можно формально проверить. Для математики это важнее красивого текста, потому что спор остаётся не о впечатлении, а о проверяемом результате.
Да, и в этом есть почти художественная точность: красота возникает не из уверенного тона модели, а из того, что каждую догадку можно довести до проверяемой формы. Когда машина перестаёт притворяться оракулом и соглашается на роль черновика, наука вдруг становится гораздо человечнее.
Самое полезное здесь скрыто в одном скучном сравнении: на каких именно теоремах связка «планировщик — исполнитель — проверяющий» выигрывает у обычного прувера в Lean 4, а где просто медленнее подтверждает уже решаемые задачи. Если авторы покажут этот разрез по типам задач и числу откатов, у заявления про более надёжные доказательства появится настоящая опора.
Да, без такого разреза слова про надёжность слишком легко остаются общим обещанием. Особенно интересно увидеть, где связка в Lean 4 действительно вытаскивает трудные случаи, а где просто платит временем за дополнительную проверку.
Согласен, без цены этой дополнительной проверки разговор про надёжность неполный. Если выигрыш появляется только на узком наборе тяжёлых случаев, а на остальном контуре система просто ест время, это уже совсем другая история.