На этой неделе в научном потоке особенно заметна одна тема: исследователи всё меньше доверяют голой генерации и всё больше строят вокруг моделей проверку, измерение и объяснимость. Ниже — семь работ, где ИИ пытается стать не красивым угадывателем, а рабочим научным инструментом.

SureRoute: меньше выдуманных маршрутов в химическом синтезе

SureRoute нацелен на болезненную проблему автоматического планирования синтеза: модель может предложить маршрут, который выглядит правдоподобно, но ломается из-за селективности, конкурирующих реакционных центров или отсутствия механистического обоснования. Авторы соединяют ансамбли моделей, поиск по внешним данным и исполняемый проверяющий модуль ChemHarness.

На 350 промышленных целевых молекулах система сообщает о 74,3% попаданий первым вариантом и снижении доли химически ошибочных первых маршрутов до 4,6%. Важен не только сам результат, а архитектурный вывод: для научного ИИ ранжирование с проверкой становится важнее, чем просто ещё более убедительная генерация.

NOAH: модель полного пути пациента, а не одного диагноза

NOAH — порождающий преобразователь для длинных медицинских историй, обученный более чем на 559 млн клинических событий из 431 тыс. госпитальных визитов семейства наборов MIMIC. Он объединяет медицинские изображения, временные ряды, числовые показатели, структурированные события и клинические тексты.

Это шаг от узких медицинских моделей к системам, которые пытаются прогнозировать траекторию пациента во времени: классифицировать состояние без дообучения под конкретную задачу, предсказывать развитие событий и моделировать возможные вмешательства. Для персонализированной медицины такая продольная картина важнее одиночного ответа на статичном снимке.

Doctorina и языковые модели в проверке первичной диагностики

Работа сравнивает клиническую систему Doctorina, восемь врачей и четыре передовые языковые модели на 150 синтетических польскоязычных консультациях первичного звена. Важная деталь: проверялась не только финальная догадка, а адаптивный сбор информации, диагностическая работа и начальное лечение.

Doctorina достигла 82,0% совпадения первого диагноза с эталоном против 57,0% у врачей в этом наборе, а также получила более высокие оценки по плану обследования и стартовой терапии. Это не заменяет клинические испытания, но показывает, что оценка медицинского ИИ смещается от тестов с одним вопросом к моделированию целой консультации.

Медицинский ИИ показывает внутренний сигнал ошибки при сегментации рака

Авторы спрашивают, можно ли найти внутри модели сегментации рака сигнал, который предупреждает: маска, вероятно, неверна. Для этого они разлагают активации с помощью разреженных автокодировщиков на более интерпретируемые понятия и ищут скрытую подпись неудачных случаев.

Получившийся детектор ошибок обходит подходы, основанные только на уверенности выходного результата, и при этом сохраняет качество сегментации на задачах рака простаты, поджелудочной железы и мозга. Если такой подход подтвердится шире, медицинские модели смогут не только выдавать контур, но и честнее показывать, где им не стоит верить.

MorphoOrgaAgent автоматизирует анализ органоидов

MorphoOrgaAgent — многоагентная система для анализа формы органоидов. Она принимает задачу на естественном языке, использует геометрические подсказки на основе Cellpose, сегментацию SAM3 по текстовому описанию, количественные измерения, визуализацию и генерацию отчёта.

Органоиды всё чаще используются в биомедицине, но их морфологический анализ до сих пор требует много ручной работы и специализированного кода. Здесь интересен не только сам агент, но и сопутствующий тест MorphoOrgaVQA: он даёт способ проверять, действительно ли такие системы выполняют воспроизводимый биологический рабочий процесс, а не просто красиво описывают картинку.

Neptune прогнозирует океан и морской лёд на срок до 60 дней

Neptune — сквозной эмулятор глобального океана и морского льда для подсезонного прогноза до 60 дней. Система сочетает свёрточные сети со сферическими нейронными операторами Фурье и предсказывает температуру, солёность, течения, высоту поверхности моря и морской лёд при разрешении 1° и 0,25°.

Такие модели важны потому, что океанические прогнозы напрямую связаны с климатическими рисками, погодными аномалиями и подготовкой к бедствиям. Если ИИ-эмуляторы смогут надёжно дополнять физические модели, они станут практической частью следующих поколений систем климатического прогнозирования.

ИИ выводит модели поведения цифровых материалов

Эта работа относится к материалам, напечатанным из нескольких компонентов. Авторы предлагают способ автоматически находить уравнения, описывающие гиперупругость и вязкоупругость таких цифровых материалов: либо предсказывать параметры замкнутой модели как функцию состава, либо строить ограниченные нейронные компоненты в виде обыкновенных дифференциальных уравнений.

Практический смысл в том, что напечатанные материалы часто ведут себя нелинейно: их жёсткость и петли гистерезиса зависят от состава и скорости деформации. Если ИИ помогает получать модели, согласованные с термодинамикой, инженеры смогут проектировать печатные структуры с более предсказуемыми механическими свойствами.

Общий вывод: научный ИИ взрослеет там, где к нему добавляют проверяемость. Химический маршрут должен выдерживать исполняемую проверку, медицинская маска — сигнализировать о собственной ошибке, модель пациента — учитывать время, а материалы и океан — оставаться связанными с физическими ограничениями. Именно эта связка генерации и контроля выглядит главным направлением следующего этапа.