论文指出，将生成式人工智能引入机器学习开发流程，虽可节省成本与人力，却可能削弱透明度与控制力，并增加网络攻击、数据泄露和偏见等风险。

研究团队在《美国化学会杂志》报告称，借助机器学习原子间势（MLIP）计算，可预测哪些离子能稳定掺入正交晶系Sn3O4，并通过实验验证。铝掺杂样品在可见光下产氢量为未掺杂材料的16倍。

布朗大学团队发现，多种主流语言模型在内部表征中，已经自发形成与人类对事件合理性判断高度一致的结构化模式，显示出一种基础层面的“现实世界理解”。

达姆施塔特工业大学合成生物学中心研究团队开发出首个基于RNA的遗传开关，可在活细胞中复现数字电路NAND门的逻辑行为。研究结合高通量筛选与贝叶斯优化等机器学习方法，相关成果发表于《核酸研究》。

乌得勒支大学团队将超分辨率显微技术与机器学习结合，首次对由数千个二氧化硅胶体颗粒构成的光子超粒子进行三维定量绘制，发现部分样品表面看似杂乱，内部却接近完美有序晶体。

圣犹达儿童研究医院研究人员提出BOUQUET算法，将三维基因组相互作用纳入图论与机器学习框架，识别增强子群落及其与蛋白质凝聚体相关的基因，并在《核酸研究》发表。

研究团队以少量文献数据训练统计模型，用于预测不对称交叉偶联反应的手性结果。作者称，该方法可在较低数据需求下提升预测效率，显著减少实验筛选次数与材料成本。

OpenProtein.AI由Tristan Bepler博士和前MIT教授Tim Lu博士创立，致力于为蛋白质工程研究者提供开源模型及多种设计工具，助力科学家利用AI加速蛋白质设计与功能预测。

东北大学研究人员在《应用化学国际版》特别邀请综述中指出，结合高质量催化数据库与通用机器学习原子间势、大型语言模型等工具，可在材料合成前预测催化性能，推动清洁能源与可持续技术相关催化剂研发提速。

最新研究表明，一种基于时间序列局部片段的简单“上下文复述”策略，在多项复杂预测任务中可以超越当前多种主流机器学习模型。

斯科尔科沃理工学院团队提出一种面向吸收介质波传播问题的全新物理信息神经网络训练方法，在保持物理结构的前提下显著提升精度与稳定性，并将训练速度提高约三倍。

该功能允许企业基于自有标注数据训练欺诈评分模型，以提升检测准确性，并保留对评分调整的可见性与控制权。