оптимизация

В статье, опубликованной в Nature Machine Intelligence, исследователи Ли и Гун предлагают новую теоретическую модель для объяснения фундаментальных проблем воспроизводимости и предсказуемости результатов глубокого обучения. Они вводят понятие «фрактальной геометрии бассейнов притяжения», демонстрируя, что начальные точки, ведущие к различным локальным минимумам или решениям, переплетаются на произвольно мелких масштабах. Это означает, что увеличение точности вычислений или начальных условий дает минимальный прирост в стабильности результатов, так как система крайне чувствительна к микроскопическим изменениям. Работа фокусируется на математических основах нейронных сетей, анализируя ландшафт функции потерь и динамику оптимизации. Авторы показывают, что хаотическая природа этих процессов ограничивает возможность точного воспроизведения обученных моделей даже при идентичных гиперпараметрах. Это исследование имеет критическое значение для разработки более надежных алгоритмов обучения и методов стандартизации в ИИ. Понимание этих ограничений необходимо для внедрения ИИ в чувствительные области, где воспроизводимость является ключевым требованием. Статья закладывает теоретическую базу для будущих исследований по повышению устойчивости глубоких нейронных сетей.

В статье исследуется применение алгоритмов оптимизации и машинного обучения в контексте «самоуправляемых лабораторий» (self-driving laboratories), которые используют замкнутый контур для автоматизации экспериментов с живыми клетками. Авторы анализируют, как методы «ремонта» оптимизаторов (optimizer repairs), такие как исключение недопустимых условий и запросы подтверждения, влияют на эффективность поиска в условиях задержек получения результатов, изменчивости ответов и ограниченного количества образцов. Исследование основано на масштабном моделировании: проведено 33 900 симуляций политик с использованием 200–300 парных семян кампаний для каждого настройки. В качестве эталонных данных использовался публичный референс PBMC (периферические мононуклеарные клетки крови), тогда как ландшафты «условие-ответ» оставались синтетическими. Результаты показывают, что стратегии исключения предыдущих партий изменяют итоговую нормализованную производительность в диапазоне от -0,004 до +0,283, причем положительные различия сохраняют статистическую значимость в 13 из 27 проверенных настроек после поправки Хольма. Особое внимание уделено тому, что постоянное исключение условий может быть вредным при зашумленных и сложных (rugged) ландшафтах отклика, в то время как простые правила ремонта точно воспроизводят базовые траектории в условиях жестких платформенных ограничений. Работа доказывает критическую важность явного учета доступности ресурсов и оценки алгоритмов в различных экспериментальных режимах при разработке автономных биологических исследовательских систем.

В статье представлен метод QuImputer, который решает задачу импутации генотипов путем кодирования априорных данных о частоте аллелей и знакового сцепленного неравновесия (LD) в оптимизационную задачу QUBO/Изинга. В отличие от традиционных подходов, переменными оптимизации являются только отсутствующие генотипы, что позволяет передавать задачу как классическим алгоритмам полного поиска, так и симуляторам квантового приближенного алгоритма оптимизации (QAOA) или реальным квантовым процессорам. Исследование проведено на выборке из 100 образцов риса по 12 хромосомам с использованием 1,88 миллиарда оцененных генотипов для сравнения с классическим инструментом Beagle 5.4. Результаты показали, что Beagle превосходит QuImputer по чувствительности к редким альтернативным аллелям (2,52% против 0,54%), коэффициенту F1 и R-квадрат, однако QuImputer демонстрирует меньшую частоту ложноположительных результатов (ошибка I типа 0,38% против 2,23%). На валидационных задачах IBM Fez квантовое оборудование нашло точные оптимумы, что подтверждает работоспособность формулировки, хотя локальная поддержка LD для многих маскированных носителей редких аллелей оказалась ограниченной. Работа устанавливает основу для изучения более сложных моделей информации и альтернативных классических или квантовых решателей в биоинформатике.

В статье представлен автоматизированный вычислительный конвейер, использующий методы искусственного интеллекта и машинного обучения для поиска терапевтических вмешательств при каналопатиях. Методология основана на двух подходах: высокоточном моделировании в среде NEURON с использованием алгоритмов поискового поиска и дифференцируемой модели Ходжкина-Хаксли, реализованной в фреймворке PyTorch. Первый подход позволяет определить «окна стабильности», в которых модуляция других ионных токов восстанавливает нормальный паттерн разрядов нейронов, избегая прямого воздействия на мутированный канал. Второй подход, использующий глубокое обучение, обеспечивает экспоненциальное ускорение вычислений: дифференцируемая модель оценивает от 34 000 до 64 000 наборов параметров в секунду на одной потребительской видеокарте, по сравнению с 11,9–16,9 оценками в секунду для недифференцируемого конвейера на 72-ядерном узле. Это позволило провести масштабный обзор топологии решений, включающий 32 миллиона точек, что ранее было вычислительно недоступно. Исследование демонстрирует, что ИИ-оптимизация может эффективно идентифицировать конкретные токи, которые необходимо модулировать, и степень их изменения для компенсации мутаций. Результаты показывают высокую степень вырождения решений: 10 780 комбинаций проводимостей дают шесть различных паттернов разрядов, что упрощает поиск оптимальных препаратов. Данный подход имеет прямое значение для разработки лекарств и высокопроизводительного скрининга, предлагая точные мишени для фармакологического вмешательства. Технология объединяет вычислительную нейробиологию с современными методами глубокого обучения для решения сложных задач персонализированной медицины.

В статье, опубликованной в журнале Nature Machine Intelligence 28 августа 2026 года, представлен новый метод обучения больших языковых моделей (LLM) для задач молекулярного дизайна с учетом неопределенности данных. Авторы, группа исследователей под руководством Rankovic, разработали подход, который позволяет моделям не только генерировать перспективные молекулярные структуры, но и оценивать степень уверенности в своих предсказаниях. Это критически важно для экспериментальной верификации, так как позволяет исследователям сосредоточить ресурсы на наиболее надежных кандидатах. Метод включает калибровку неопределенности в процессе обучения, что повышает точность отбора молекул для синтеза и тестирования. Работа демонстрирует значительный прогресс в применении LLM в химии и фармацевтике, сокращая разрыв между вычислительными предсказаниями и реальными экспериментами. Результаты показывают, что калиброванные модели превосходят стандартные LLM по эффективности поиска новых соединений, что может ускорить разработку лекарств и материалов. Статья подчеркивает важность учета неопределенности в ИИ-системах для научных открытий.

В исследовании представлен инновационный подход к анализу биологических изображений, основанный на методе дискретного обратного рендеринга. Авторы предлагают заменить традиционные локальные методы (такие как не-максимальное подавление или жадные алгоритмы связывания) на глобальную оптимизацию с использованием современных решателей целочисленного программирования. Этот метод позволяет совместно выбирать наиболее вероятные сценарии развития событий, учитывая временные и биологические ограничения, такие как деление клеток, появление и исчезновение объектов. Тестирование проводилось на различных типах данных: сплайнах C. elegans, жгутиках сперматозоидов и делящихся клетках Huh7. Результаты показали, что метод сопоставим с узкоспециализированными современными пайплайнами, но значительно превосходит их в условиях низкого качества сигнала. В частности, при анализе флуоресцентного видео клеток гепатомы Huh7 показатель F1-меры обнаружения вырос в два раза — с 0,31 до 0,58, что подтверждает высокую эффективность метода в сложных условиях визуализации.

В исследовании, опубликованном в Nature Machine Intelligence, рассматривается влияние многоагентного взаимодействия на эффективность больших языковых моделей (LLM). Авторы провели контролируемое исследование, протестировав 260 различных конфигураций агентов, чтобы определить границы полезности совместной работы ИИ. Результаты показывают, что по мере роста способностей отдельных моделей, традиционная стратегия коллаборации может начать снижать общую производительность вместо её повышения. В рамках работы была представлена новая прогностическая модель, которая способна с точностью 87% предсказывать оптимальную архитектуру взаимодействия для новых конфигураций в рамках того же домена. Данное исследование имеет важное значение для разработки сложных систем ИИ, позволяя оптимизировать архитектуру агентов и избегать избыточных вычислительных затрат при использовании мультиагентных систем.

В исследовании представлен детерминированный вычислительный рабочий процесс для оптимизации пептида Matrixyl (пальмитоил пентапептид-4), используемого в антивозрастной косметике. Основная проблема оригинального пептида KTTKS заключается в его низкой способности проникать через роговой слой кожи. Авторы применили комбинацию турнирного генетического алгоритма и алгоритма NSGA-II с использованием молекулярных дескрипторов RDKit для поиска наиболее эффективных аналогов в окрестности исходной последовательности. В ходе исследования было проанализировано 3 706 потенциальных кандидатов, что позволило выявить фронт Парето из 9 наиболее перспективных соединений. Ключевым результатом стало обнаружение того, что замена лизина на пролин в 4-й позиции (K4P) снижает топологическую полярную площадь поверхности (TPSA) на 25,6% и устраняет положительный заряд, что значительно улучшает прогнозируемую трансдермальную диффузию. Несмотря на снижение показателя сохранения функциональности с 1,00 до 0,67, полученные изменения критически важны для биодоступности. Для дальнейшей экспериментальной валидации авторы рекомендуют три конкретные последовательности: PTTPS, KTTPS и KTTPP.

Исследователи представили RNASTOP — новую вычислительную платформу, сочетающую глубокое обучение с эвристическим поиском для одновременного предсказания и оптимизации химической стабильности молекул мРНК. Проблема химической нестабильности мРНК ограничивает долгосрочную эффективность мРНК-вакцин, и существующие методы предсказания деградации имеют ограниченную точность. RNASTOP демонстрирует улучшение точности на 13% по сравнению с лучшей моделью в конкурсе Stanford OpenVaccine и показывает устойчивую обобщаемость при предсказании деградации полноразмерных последовательностей мРНК. При применении к оптимизации кодонов мРНК для вакцины против вируса ветряной оспы (Varicella-Zoster Virus) система снизила минимальную свободную энергию на 75,73% при сохранении высокой эффективности трансляции. Разработанная модель представляет собой мощный инструмент для ускорения разработки мРНК-терапевтических средств, что особенно актуально в контексте пандемии COVID-19 и создания вакцин нового поколения. Исследование открывает перспективы для рационального дизайна мРНК-препаратов с улучшенной стабильностью и эффективностью. Исходный код проекта доступен в открытом доступе на GitHub.