Сразу несколько свежих работ с arXiv двигают ИИ для науки от красивых демонстраций к более проверяемым инструментам: меньше лабораторных опытов, больше встроенных физических и химических ограничений, отдельные проверки того, умеют ли агенты действительно улучшаться.

Подпространства белковых моделей для направленной эволюции

Авторы предлагают гипотезу линейного подпространства приспособленности: для конкретного лабораторного теста не обязательно учить всю огромную карту белковых вариантов, достаточно найти компактный набор направлений в представлениях белковой языковой модели. Метод Subspace-Guided Evolutionary Search сначала оценивает это подпространство по небольшой стартовой выборке, а затем ведёт поиск вариантов с учётом неопределённости.

Практический смысл простой: если подход подтвердится в мокрой лаборатории, инженерам белков потребуется меньше дорогих проверок вариантов, чтобы выйти к более полезным мутациям.

MITNN объединяет разные математические признаки молекул и материалов

MITNN описывает молекулы и материалы не одним графом, а набором взаимодополняющих математических инвариантов: топологических, спектральных, геометрических и алгебраических. Затем эти представления подаются в подходящие топологические нейросетевые архитектуры.

Работа проверяет подход на связывании белков с лигандами, свойствах металлоорганических каркасов, растворимости мутировавших белков и токсичности. Важная мысль здесь не только в росте качества, а в том, что научная структура становится отдельным источником признаков, а не теряется внутри универсальной модели.

Нейросетевой потенциал для ванадиевых сплавов, важных для термоядерных установок

Материаловедческая работа строит нейросетевой межатомный потенциал для сплавов ванадия, титана и хрома. Для подготовки конфигураций используется MatterSim, а затем модель дообучается на расчётах из первых принципов. После этого авторы моделируют большие ячейки и оценивают упругие свойства сплавов при 300 и 1073 Кельвинах.

Это пример того, как модели для атомистики начинают помогать не абстрактным тестам, а конкретному выбору составов для тяжёлых инженерных задач — в данном случае для материалов, способных выдерживать условия термоядерной энергетики.

WorldSolver проверяет, могут ли агенты писать физически правдоподобные симуляторы

WorldSolver — набор из 168 задач по физическим симуляциям из 61 научной статьи о компьютерной графике. Агенту нужно реализовать недостающий решатель в уже заданной среде, а оценка смотрит не только на запуск кода, но и на визуальное сходство и физическую правдоподобность.

Даже лучшие проверенные агенты набирают примерно половину возможного результата. Это полезное отрезвление: написать работающий код ещё не значит смоделировать физику правильно.

ScienceClaw проверяет самообучение научных агентов

ScienceClaw описывает цикл, где агент решает научные задачи, проверяет корректность, превращает исправления в повторно используемые навыки и сохраняет обновление только если оно помогает на независимых задачах. Набор проверок охватывает 23 дисциплины и измеряет не только точность, но и перенос улучшений, сохранение старых умений и цену обновления.

Это важный сдвиг в оценке научных агентов: ценится не разовый удачный ответ, а способность накапливать рабочие процедуры без деградации.

GeneICL переносит обучение по примерам на данные экспрессии генов

GeneICL — компактная табличная базовая модель для массовой транскриптомики. Её обучают на полусинтетическом предварительном распределении, построенном из реальных профилей экспрессии генов, а затем проверяют на 80 клинических задачах: классификации, регрессии и выживаемости.

Авторы утверждают, что модель с 4,2 млн параметров обходит более крупные специализированные системы и работает без дообучения на этапе применения. Если результат выдержит внешнюю проверку, это хороший аргумент в пользу меньших, но лучше структурированных биомедицинских моделей.

Neural Petri Flow встраивает правила химии прямо в модель реакции

Neural Petri Flow использует структуру сетей Петри, чтобы жёстко сохранить правила баланса атомов и валентности, а нейросети оставить только изучение скорости реакции или нужного выхода. Авторы показывают результаты на сопоставлении атомов, классификации реакций, предсказании продуктов и элементарных стадиях.

Главная ценность — валидность не добавляется фильтром после ответа. Ограничения химии заложены в саму архитектуру, поэтому модель меньше похожа на чёрный ящик, которому потом приходится запрещать невозможные молекулы.