TrustMed-RL: доказательная клиническая диагностика с длинной цепочкой действий

Авторы обучают медицинскую зрительно-языковую модель на 8 млрд параметров вести диагноз как последовательность шагов: опрос, осмотр, анализы, консультации специалистов и поиск в литературе. Важен не только правильный итог, а доказательная траектория, которую можно проверить. Для медицины это ключевой сдвиг: система должна объяснять, какие сведения она собрала и почему пришла к выводу.

TurboPairFormer ускоряет обучение моделей сворачивания белков

Работа оптимизирует треугольное внимание — один из узких участков в моделях биомолекул уровня AlphaFold3. Авторы уменьшают расходы памяти и делают обратный проход устойчивее на современных графических ускорителях. Практическая ценность проста: дешевле и быстрее проверять новые архитектуры для белков и комплексов.

Скрытые языки белков для автогенерации последовательностей и структур

Исследователи предлагают обучаемые скрытые токены для белковых последовательностей и структур, а затем строят на них авторегрессионные модели. Такой подход даёт лучшее масштабирование, меньше низкосложных образцов и быстрее генерирует длинные белки. Если результат удержится при внешней проверке, генерация белков может получить более удобное представление, чем обычные аминокислотные токены.

MedPrune сокращает лишнее общение между медицинскими агентами

MedPrune рассматривает систему медицинского вопросно-ответного ИИ как граф специалистов и убирает лишние узлы и связи. Идея полезна для медицинских сценариев: много агентов могут давать более богатую экспертизу, но также раздувают стоимость, задержку и шум. Динамическое сокращение графа помогает оставить только действительно нужное взаимодействие.

ИИ-теоретик предложил новую картину экситонов в alpha-RuCl3

Система AI Theorist генерирует гипотезы, запускает расчёты из первых принципов и уточняет физические модели по экспериментальным наблюдениям. В задаче по alpha-RuCl3 она предлагает интерпретацию оптических и фототоковых спектров через разные экситонные состояния. Это важно как пример ИИ-агента, который не просто пересказывает статьи, а участвует в построении теоретической модели материала.

MoiréMLIP доводит расчёты муаровых материалов до миллиона атомов

Модель дообучает универсальный атомистический потенциал на данных расчётов из первых принципов для муаровых систем, а затем сжимает его в лёгкую версию. Заявленный результат — перенос на новые углы скручивания и структуры, включая расчёты масштаба в миллион атомов. Для муаровых материалов это особенно важно: прямые квантовые расчёты слишком дороги, а крупные структуры нужны для реальной физики.

Машинное обучение ищет мягкие магнитные сплавы без редкоземельных элементов

Авторы отбирают кандидаты среди сплавов без редкоземельных элементов, одновременно учитывая температуру Кюри и коэрцитивную силу. Отдельно важно, что они проверяют перенос на новые составы, а не только качество на случайном разбиении данных. Это снижает риск красивых, но бесполезных оценок при поиске материалов.

Обучение с подкреплением для генерации кристаллов показывает и пользу, и взлом награды

Исследование направляет генератор кристаллов к целевым свойствам через обучение с подкреплением, а не только имитирует базы данных. Доля метастабильных, уникальных и новых структур растёт, но авторы также фиксируют взлом награды. Для материаловедения это честный сигнал: целевая генерация нужна, но критерии оптимизации надо проверять почти так же строго, как сами структуры.

Оптимизация кодонов через скрытое пространство модели мРНК

Вместо простых частотных правил авторы ищут варианты кодонов в скрытом пространстве предобученной языковой модели мРНК. Метод сохраняет белок, но оптимизирует ожидаемую экспрессию и устойчивость. Это важно для терапевтических белков и мРНК-вакцин: мелкие изменения последовательности могут сильно влиять на производство.

Биологически-информированные нейросети получают диагностический протокол выбора параметров

Работа предлагает проверять, когда увеличение сети и длительности обучения действительно помогает находить уравнения для биологических систем. Авторы смотрят не только на потери, но и на устойчивость найденных членов модели. Это полезно для воспроизводимости: в задачах с шумными и редкими биоданными плохо выбранные параметры легко выдают убедительно выглядящие, но нестабильные закономерности.

Общий вывод: зрелость ИИ для науки сейчас всё чаще измеряется не эффектным ответом, а проверяемым процессом — доказательствами, устойчивостью, переносом на новые данные и честным описанием сбоев.