Поиск постоянных магнитов из 60 тысяч кандидатов

Авторы взяли огромное семейство структур типа CaCu5 и пропустили его через несколько фильтров: предварительно обученные модели материалов, данные о известных соединениях и предсказатель намагниченности. Из более чем 60 тысяч вариантов осталось 439 кандидатов для дорогих квантово-механических расчетов, а затем 159 соединений с нужной магнитной анизотропией. Практический смысл простой: ИИ здесь не заменяет физику, а резко сокращает список того, что стоит считать и синтезировать.

Шаг к самоуправляемым лабораториям спектроскопии

Обзор разбирает, где ИИ может помогать в угловой фотоэмиссионной спектроскопии: от подготовки образцов и управления измерениями в реальном времени до анализа сложных карт электронной структуры. Главный вывод не только оптимистичный, но и трезвый: чтобы такие лаборатории стали действительно автономными, нужны большие стандартизованные наборы данных и обмен предварительно обученными моделями.

Физические ограничения улучшают модели молекулярной динамики

В этой работе модель учится не просто угадывать энергии и силы, а согласовывает внутреннее представление с ограничениями метода функционала плотности Кона — Шэма. Авторы сообщают о заметном снижении ошибок по энергии и силам, а также о проверке самосогласованности, которая помогает распознавать случаи вне области обучения. Для моделирования реакций это важно: быстрые приближенные модели становятся полезнее, когда умеют признавать, где им нельзя доверять.

Медицинское производство: модель лучше воздержится, чем ошибется

Исследование применяет оценку неопределенности к поиску дефектов медицинских устройств по производственным данным и отчетам из базы FDA MAUDE. На 266 170 отчетах система снижала ошибку на тех случаях, где решалась отвечать, а сомнительные примеры отправляла на человеческую проверку. Это хороший пример безопасной автоматизации: для медицинского контроля качества важнее честное «не уверен», чем уверенная, но неверная классификация.

Молекулы ищут через смеси, а не по одной

Авторы предлагают проверять не отдельные молекулы, а сложные случайные смеси, затем математически восстанавливать связь между молекулами и активностью. Для редких свойств такой подход, по их оценке, может уменьшить число экспериментов с линейного роста до логарифмического или даже почти постоянного режима. Если это подтвердится на практике, поиск активных молекул станет ближе к массовому скринингу с умной расшифровкой результата.

Языковая модель помогает выбирать признаки в биоинформатике

Здесь языковая модель включена в цикл обучения с подкреплением для отбора признаков в высокоразмерных биоинформатических данных. Она подсказывает направления поиска, участвует в гибридной награде и объясняет выбор для экспертов. Ценность работы не только в точности: биологам важно понимать, почему система оставила одни признаки и отбросила другие.

Открытый поиск редких находок в медицинских изображениях

Работа формулирует задачу поиска неожиданных биомедицинских находок: редких болезней, едва заметных поражений и новых клинических понятий, которые не укладываются в закрытый список классов. Метод подавляет ожидаемые нормальные паттерны и выделяет странные отклонения. Это важно для реальной диагностики, где самые ценные подсказки часто находятся не среди частых и заранее размеченных случаев.

Научные агенты пробуют менять распределение ролей во время работы

Статья проверяет, могут ли исследовательские агенты не только выполнять заранее назначенные роли, но и выбирать участников во время работы, заключать ограниченные «контракты» на подзадачи и проверять артефакты. Результат смешанный: динамический выбор помогает, но дополнительные договоренности и проверки создают накладные расходы. Это полезный сигнал для автономной науки: координация сама по себе становится отдельным научным объектом.

Фильтрация клинических данных как часть научного метода

Авторы предупреждают, что очистка и фильтрация медицинских данных меняют саму статистическую структуру задачи. Из-за этого прогноз может выглядеть проще или сложнее не из-за модели, а из-за скрытых решений исследователя. Практический вывод жесткий: в медицинском ИИ правила отбора данных надо описывать как научные предположения, а не прятать в техническом приложении.

Недостающие онкологические данные восстанавливают по связанным слоям

Последняя работа учит модель согласовывать разные молекулярные слои онкологических данных, чтобы восстанавливать отсутствующие или непарные измерения. Авторы показывают низкую ошибку восстановления и полезные представления для последующей классификации рака. Для лабораторий это важно экономически: полные многоуровневые анализы дороги, а такая модель может подсказать, где недостающий слой можно приблизить достаточно надежно.

Общий мотив у всех десяти работ один: ИИ в науке становится не просто быстрым классификатором, а инструментом управления неопределенностью, выбора экспериментов и проверки собственных границ.