В этой подборке — пять свежих работ о том, как ИИ проверяют и применяют в науке: от более реалистичной оценки медицинского рассуждения до поиска причинных связей в многоуровневых биоданных, подбора катализаторов и формальной проверки математических доказательств. Общий мотив один: исследователи всё чаще уходят от красивых демонстраций к более строгим и практическим сценариям проверки пользы.
В сегодняшнем научном выпуске — агентная система для математических исследований, подход к самостоятельному открытию теорем, попытка сделать клеточные изображения биологически интерпретируемыми и причинный ИИ для материаловедения. Общая тема одна: ИИ всё чаще не просто ускоряет рутину, а помогает вытаскивать новые проверяемые знания из сложных данных и формальных систем.
В новом научном выпуске — четыре свежие работы с arXiv: ИИ для подбора катализаторов с экспериментальной проверкой, трезвое предупреждение для виртуального скрининга лекарств, более полезные ориентиры для прогноза специфичности ферментов и разбор того, почему математическим системам на базе языковых моделей пока далеко до настоящей исследовательской работы.
Свежая подборка по ИИ в науке сегодня особенно сильна в трёх направлениях: формальная математика, лабораторная автоматизация и материаловедение. Среди главных находок — система, которая помогает переводить настоящие исследовательские статьи в машинно проверяемые доказательства, а также новые подходы к поиску лекарственных взаимодействий, биологических протоколов и высокодавленных материалов.
В новой подборке научного ИИ — пять разных направлений, где ИИ помогает науке не только генерировать гипотезы, но и проверять их: от формальной математики и инфраструктуры для доказательств до дизайна лекарств, анализа одиночных клеток и трезвой проверки биологических интерпретаций.
В этой подборке пять свежих научных работ, где ИИ двигает не общие обещания, а очень конкретные исследовательские задачи: от выбора пригодных участков на белке для будущего лекарства до прогноза клеточного ответа на вмешательство в ген и поиска новых материалов с необычными электронными свойствами. Общая линия у всех работ одна: ИИ всё чаще помогает не просто считать быстрее, а отсеивать биологически и физически бесполезные направления ещё до дорогой лабораторной проверки.
В свежей подборке по AI в науке — пять работ, где модели помогают не украшать презентации, а сдвигать реальные исследовательские узкие места: ускорять отбор материалов, делать белковые модели чувствительнее к биологическому контексту, приближать формальную проверку математики и аккуратнее оценивать биориски агентных систем.
Три заметные работы на стыке ИИ и науки: система MaxProof для длинных математических доказательств, AgentPLM для проектирования белков с внешними инструментами и клиническая система с цифровым двойником для выбора лечения. Коротко разбираем, что именно сделали авторы и почему это важно.
Новая подборка по науке с ИИ показывает сразу несколько направлений взросления области: формальные доказательства выходят к настоящим математическим задачам, белковые модели обнаруживают слабые места на вирусных последовательностях, а материаловедение все ближе к замкнутым автоматическим циклам поиска. Главное здесь не эффектные обещания, а переход к более проверяемым и воспроизводимым рабочим схемам.
