Свежая подборка по науке с ИИ показывает важный сдвиг: наиболее интересные работы уже не столько обещают абстрактный «учёный ИИ», сколько встраивают модели в конкретные исследовательские циклы — от математики и биоинформатики до синтеза материалов и медицинских наборов данных. Ниже — все шесть работ из текущего набора.

Агенты с SageMath для исследовательской математики

Авторы проверяют ИИ-агентов в стиле ReAct, которые умеют вызывать SageMath и пользоваться актуальной документацией при решении задач исследовательского уровня из набора RealMath. Это важно, потому что работа предлагает более трезвую картину роли ИИ в математике: не как «машины для готовых доказательств», а как помощника, который умеет считать, проверять промежуточные шаги и укреплять те части исследовательского цикла, где математики и так опираются на вычислительные инструменты.

Источник: arXiv

Агентная система для биоинформатики, которая пытается доводить работу до проверяемого результата

Работа Prompt-to-Paper описывает многоагентный процесс для биоинформатики, где каждое утверждение пытаются привязать к найденной литературе, а вместо выдуманных результатов запускать реальные вычислительные эксперименты. Это делает статью заметной не потому, что ИИ может написать текст, похожий на научную статью, а потому, что здесь проверяется куда более трудная цель: способен ли он выдать материал, который выдержит научную проверку и аудит.

Источник: arXiv

Открытый движок для поиска лекарств пытается стать базовым слоем для биологических моделей

OpenDDE представлен как открытая всеатомная фундаментальная модель для биомолекул, которую авторы хотят превратить из инструмента совместного сворачивания структур в более широкий движок для рассуждений в разработке лекарств — от предсказания структуры до оценки сродства и оптимизации молекул с опорой на структуру. Если заявленные возможности подтвердятся, это важный шаг для открытой биологии: сейчас ей всё ещё не хватает общих базовых слоёв, сопоставимых с тем, что открытые языковые модели уже дали разработке и анализу кода.

Источник: arXiv

Совместная работа людей и языковых моделей ускоряет подбор рецептов для новых материалов

В этой работе исследуется замкнутый цикл, где люди и языковые модели вместе предлагают рецепты синтеза материалов, а затем возвращают реальные лабораторные результаты обратно в процесс. Важность здесь в смене критерия успеха: речь уже не о том, чтобы красиво предсказать интересное соединение на бумаге, а о том, чтобы действительно помочь химикам получить новый материал в лаборатории, а это гораздо более строгая и практическая проверка пользы ИИ.

Источник: arXiv

MLIP Studio собирает под одной крышей десятки быстрых моделей для атомистического моделирования

MLIP Studio объединяет более 60 межатомных моделей машинного обучения в одной открытой среде для молекул и материалов, добавляя сравнение результатов, оптимизацию, анализ колебаний и другие сквозные рабочие процессы. Практический смысл в том, что исследователи материалов получают более удобный способ сопоставлять быстрые ИИ-замены с эталонными расчётами, а значит расстояние между громкими статьями о моделях и реально применимыми вычислительными сценариями становится меньше.

Источник: arXiv

MedPMC предлагает масштабируемый конвейер медицинских мультимодальных данных для фундаментальных моделей

MedPMC превращает статьи из PubMed Central с разрешающими лицензиями в постоянно обновляемый конвейер медицинских мультимодальных данных, и авторы пишут, что уже собрали 11 миллионов пар «изображение–текст» из 6,1 миллиона работ. Это важно, потому что медицинский ИИ всё чаще упирается не только в архитектуры, но и в качественные данные: сильным мультимодальным моделям нужны чистые изображения, подписи и клинический контекст, а здесь предлагается не ещё одна закрытая модель, а переиспользуемая инфраструктура для всего направления.

Источник: arXiv