Свежая подборка из arXiv показывает сразу два сильных направления: медицинские работы всё жёстче проверяют реальные ошибки AI-систем в клинических заметках и оценке заметок, а исследовательские команды параллельно строят новые стенды и тесты для проверки того, умеют ли AI-агенты действительно заниматься наукой, а не просто угадывать ответы.
Шесть свежих работ о том, как ИИ меняет науку на практике: от поиска лекарств против малярии и диагностики через сбор доказательств до биологического дообучения моделей, отбора белковых кандидатов и проектирования физических объектов под жёсткие инженерные ограничения. Во всех случаях главный сдвиг один: важнее не громкость модели, а то, насколько она встроена в реальный научный цикл проверки.
Новый выпуск по ИИ в науке: Vero пытается соединить программирование с формальной проверкой, MatDiffract ускоряет анализ материалов, AstraZeneca описывает исследовательского помощника для биомедицины, а CellPrism делает виртуальные клетки понятнее для ученых.
MIT Technology Review обращает внимание на более приземлённую, но решающую проблему для ИИ в фарме: модели уже умеют предлагать молекулы, однако реальный прогресс упирается в то, как быстро лаборатории проверяют гипотезы, очищают результаты и возвращают новые данные обратно в систему. Без этого ИИ ускоряет перебор кандидатов, но не делает саму науку надёжнее.
В Scientific Reports описали лёгкого генеративного ИИ-помощника для раннего поиска лекарств, рассчитанного на ограниченные вычислительные ресурсы. Это важный сигнал для небольших исследовательских групп, которым обычно недоступна тяжёлая инфраструктура.
Шесть свежих работ по AI в науке показывают общий сдвиг от красивых обещаний к более жёсткой проверке: где модели действительно ускоряют биологию и белковый дизайн, а где они пока заметно слабы — например, в строгой математической верификации и в реальном планировании химического синтеза. Это полезная подборка именно потому, что в ней есть не только прорывы, но и трезвые ограничения.
Пять свежих работ на стыке ИИ и науки: от более надёжного отбора устойчивых материалов и восстановления структуры неизвестных молекул до генерации лекарственных соединений с учётом болезни, правил для извлечения биологических механизмов из шумных данных и более лёгкого проектирования белков под заданный лиганд.
В этой научной подборке — работа по многокритериальному генератору молекул для поиска лекарств и обзор того, как ИИ превращается в общую платформу для открытия новых полимерных материалов в энергетике, микроэлектронике, медицине и устойчивом производстве.
В сегодняшней научной подборке сразу несколько сильных направлений: новый бенчмарк ShallowBench показал, где ИИ-модели для поиска лекарств пока слабы, система с языковой моделью предложила новые уравнения тёмной энергии, DeepRHP приблизил проектирование полимеров с белкоподобными свойствами, а MedRLM предлагает более проверяемый подход к клиническому рассуждению на длинных и разнородных медицинских данных.
