Сегодняшние научные работы интересны тем, что они не просто добавляют ещё одну модель, а делают видимыми реальные узкие места и новые способы применения ИИ в науке — от разработки лекарств и материалов до космологии и клинической поддержки решений.

ShallowBench показал, насколько хуже ИИ справляется с трудными мишенями для лекарств

ShallowBench — это новый бенчмарк на 5780 мишенях с неглубокими карманами связывания. Именно такие поверхности особенно трудны для многих биологически важных белков, в том числе связанных с онкологией. Авторы показывают, что современные генеративные модели для поиска лекарств заметно хуже работают на таких мишенях, чем на более простых случаях с глубокими карманами.

Почему это важно: в разработке лекарств давно обсуждают, что ИИ лучше работает там, где задача уже хорошо структурирована. ShallowBench переводит эту проблему из общих слов в измеряемую форму. Теперь можно не просто говорить, что трудные мишени остаются слабым местом, а сравнивать новые подходы по единой проверке.

Источник: arXiv

Языковая модель предложила новые уравнения тёмной энергии, конкурентные по данным наблюдений

В этой работе большая языковая модель используется вместе с поиском материалов, автоматической проверкой и моделью-критиком, чтобы предлагать и улучшать новые параметризации тёмной энергии. Авторы сообщают, что на наборах данных, включающих Pantheon+, DESI DR2 и Planck 2018, система нашла два ранее не исследованных варианта, которые выглядят конкурентоспособно по сравнению со стандартными формами, а лучший вариант дал более сильное байесовское подтверждение, чем использованные базовые подходы.

Почему это важно: здесь ИИ не просто подгоняет известную формулу под данные, а помогает предлагать интерпретируемые научные гипотезы. Для теоретической физики это важный сдвиг: машина начинает участвовать не только в вычислении, но и в формулировке кандидатов на объяснение устройства мира.

Источник: arXiv

DeepRHP приблизил проектирование синтетических полимеров с белкоподобными свойствами

DeepRHP использует гибридный вариационный автокодировщик для проектирования случайных гетерополимеров, которые могут вести себя похоже на белки. Модель специально строится так, чтобы скрытое представление учитывало и химические признаки, и закономерности последовательности. Авторы показывают, что система предлагает составы мономеров, которые помогают стабилизировать мембранные белки вроде Aquaporin Z в жёстких, неестественных условиях, и эти предложения согласуются с уже опубликованными экспериментальными результатами.

Почему это важно: это хороший пример того, как ИИ помогает не только анализировать биомолекулы, но и проектировать новые синтетические материалы с нужным поведением. Если направление выстрелит, оно может быть полезно там, где натуральные белки слишком хрупки или неудобны для применения.

Источник: arXiv

MedRLM предлагает более проверяемую схему клинического рассуждения на длинных медицинских историях

MedRLM описывает медицинскую систему ИИ, которая не пытается сжать всю историю пациента в одну подсказку, а возвращается к случаю многократно и рассматривает его как набор связанных источников информации. В архитектуре есть отдельные агенты для записей, изображений, сенсорных данных, клинических рекомендаций, проверки неопределённости и планирования направления пациента дальше по системе помощи. Всё это связывается через граф клинических доказательств, который соединяет наблюдения по пациенту с внешними источниками.

Почему это важно: медицинский ИИ часто критикуют за непрозрачность и слабую привязку к реальному рабочему процессу. MedRLM интересен именно попыткой сделать поддержку решений более проверяемой, многошаговой и приспособленной к длинным, разнородным клиническим данным, а не только к коротким вопросам в стиле экзамена.

Источник: arXiv