PolyBench26 даёт полимерам общий тест на 250 тысяч точек данных

PolyBench26 важен не тем, что обещает ещё одну красивую модель для материалов, а тем, что задаёт более честную площадку для сравнения. Авторы собрали почти 250 тысяч точек данных по восьми физическим свойствам полимеров и включили не только простые однородные цепочки, но и более сложные варианты строения.

Главная польза такого набора — проверка переноса. В материаловедении модель легко может выглядеть сильной внутри узкой химической области, но провалиться на другом типе полимера. Здесь отдельно смотрят качество внутри знакомого распределения, масштабирование по данным, сложность повторяющихся звеньев и перенос на удержанные архитектуры. По сравнению авторов, сильнее всего выглядят графовые модели.

Почему это важно: для полимеров давно не хватало широкого и воспроизводимого теста. Без него трудно понять, где ИИ действительно помогает проектировать новые материалы, а где просто запоминает удобный фрагмент базы.

Sinter-PiNDiff связывает нейросеть с физикой спекания керамики

Sinter-PiNDiff пытается решить типичную проблему материаловедения: измерений мало, а процесс сложный. Модель объединяет уравнения скорости спекания с обучаемыми нейросетевыми компонентами и предсказывает, как меняются плотность и размер зерна в нескольких керамических системах.

На удержанных температурах и составах подход оказался лучше обычных многослойных и остаточных нейросетей во всех двенадцати сравнениях, которые приводят авторы. Это хороший пример того, зачем в научном ИИ нужны не только большие данные, но и физическая структура задачи: она сужает пространство догадок там, где эксперимент дорогой и редкий.

Важная оговорка тоже есть: оценка неопределённости у ансамбля осталась плохо откалиброванной. Для реального проектирования режима обработки это не мелочь — инженеру мало получить число, ему нужно понимать, насколько этому числу можно верить.

Микроскопия стали показала сигнал водородного охрупчивания всего на 31 размеченном снимке

Эта работа аккуратно проверяет, можно ли находить признаки водородного охрупчивания в снимках нержавеющей стали с электронного микроскопа. Сильная сторона не только в результате, но и в схеме проверки: авторы удерживают целые области образца вне обучения, чтобы похожие соседние снимки не попадали одновременно и в обучение, и в тест.

Итог неожиданный: простой текстурный признак с классическим методом опорных векторов оказался лучше более глубоких признаковых схем и достиг сбалансированной точности 0,79. Для области с малым числом размеченных изображений это важный трезвый сигнал: более сложная модель не всегда честнее, если проверка допускает утечку близких данных.

Почему это важно: такой протокол полезен шире одной стали. Он показывает, как материаловедческим работам с микроскопией проверять ИИ так, чтобы успех не был следствием случайного сходства кадров из одного и того же образца.

Модели учат выбирать математические утверждения, которые стоит доказывать

Работа про математику задаёт практичный вопрос: если ИИ может генерировать новые утверждения, как понять, какие из них интересны, а не просто синтаксически правильны? Авторы предлагают смотреть на соотношение сложности доказательства и длины формулировки, а затем обучать модель предсказывать трудность доказательства.

Обученная модель на 27 миллиардах параметров лучше универсальных передовых моделей справляется с такой оценкой. При оптимизации по этому сигналу новые утверждения меньше пересекаются с библиотекой Mathlib и чаще уходят за пределы привычного распределения.

Почему это важно: для ИИ-математики недостаточно доказывать заданные человеком леммы. Настоящая научная ценность появляется, когда система помогает выбирать утверждения, которые стоит добавить в формальную библиотеку и которые могут открыть новый ход рассуждений.