В этой подборке четыре разные, но показательные работы: медицина, математика, материаловедение и моделирование атомных структур. Общая тема одна и та же: AI все чаще оценивают не по эффектному результату на бумаге, а по тому, насколько он помогает получать осмысленные выводы для врачей, математиков и лабораторий.

StageGuard сделал разметку сна физиологически правдоподобнее

Авторы StageGuard добавили в нейросетевые модели разметки сна ограничения, связанные с реальной физиологией: допустимыми переходами между стадиями сна и минимальной длительностью эпизодов. По их словам, это снизило фрагментацию предсказаний и улучшило производные показатели архитектуры сна без потери общей точности классификации. Почему это важно: в медицинском AI особенно ценны не просто хорошие числа в таблице, а результаты, которые лучше согласуются с тем, как врачи действительно интерпретируют состояние пациента.

Новая работа по аддитивной комбинаторике заявляет о решении давнего вопроса с участием AI-агента Hyra

Математическая статья утверждает, что устанавливает оптимальную степень, связывающую множества сумм и разностей, то есть закрывает давний открытый вопрос в аддитивной комбинаторике. Авторы отдельно пишут, что в разработке явной конструкции и доказательства им помогал исследовательский AI-агент Hyra на базе открытой модели Hy3. Почему это важно: если результат выдержит проверку сообщества, это станет еще одним сильным примером того, что AI начинает участвовать не только в формальной проверке, но и в поиске действительно новых математических аргументов.

Фундаментальные модели для межатомных потенциалов обещают ускорить поиск новых материалов

Авторы представили семейство фундаментальных моделей для межатомных потенциалов, которые должны одновременно сохранять высокую точность и заметно ускорять обучение и работу на задачах материаловедения. В статье подчеркивается, что дальнейший прогресс здесь зависит не столько от усложнения архитектур, сколько от более широких и качественных наборов данных, при этом сами модели показывают сильные результаты для тепловых, механических и термодинамических предсказаний. Почему это важно: более быстрые и достаточно точные атомистические расчеты могут сделать компьютерный отбор материалов гораздо полезнее до начала дорогих лабораторных экспериментов.

APO предлагает предсказывать трехмерные атомные структуры без дорогих эталонных меток

Работа APO описывает неконтролируемый подход к предсказанию трехмерных атомных структур для кристаллов и антител. Вместо обучения на дорогих эталонных координатах метод поощряет модели за физически правдоподобные и термодинамически устойчивые структуры; авторы заявляют о лучших показателях совпадения и более быстрой работе. Почему это важно: если такие результаты подтвердятся, AI в материаловедении и разработке лекарств сможет меньше зависеть от дефицитных экспериментальных меток и быстрее предлагать кандидатные структуры для проверки в лаборатории.

Если коротко, сегодня особенно интересно не то, что AI снова где-то «прибавил точность», а то, что он все чаще начинает лучше учитывать устройство реального мира — физиологию сна, физическую устойчивость структур и даже исследовательскую логику в математике.