KI News: Kurz und klar.

Die inverse Gestaltung von heterogenen Materialmikrostrukturen gilt als eines der schwierigsten Probleme in der Materialwissenschaft. Sie ist nicht nur ill-posed, sondern auch mit hochdimensionalen Designräumen, multimodalen Eingangsgrößen und stark nichtlinearen physikalischen Prozessen verbunden, was die Berechnung extrem kostenintensiv macht.

In der neuesten Veröffentlichung auf arXiv (2512.00207v1) wird ein innovatives Framework vorgestellt, das die Art und Weise, wie große Sprachmodelle (LLMs) Fakten in ihren MLP‑Parametern speichern, grundlegend verbessert. Durch gezielte Gewichtskonstruktionen lassen sich Schlüssel‑Wert‑Abbildungen effizient in die Netzwerke einbetten, was die Leistungsfähigkeit von LLMs weiter steigert.

Die Vorhersage von Fahrzeugtrajektorien in mehreren möglichen Zukünften ist ein zentrales Problem der autonomen Mobilität. Modelle, die auf hochauflösenden Karten basieren, sind zwar präzise, aber teuer in der Datenerfassung, verlangsamen sich bei Kartenaktualisierungen und sind anfällig für fehlerhafte Eingaben. Auf der anderen Seite verzichten map‑freie Ansätze auf globale Kontextinformationen, was zu einer Überbetonung geradliniger Muster und einer Unterdrückung von Übergangsbewegungen führt – ein Fehler, der die Absichtserkennung der Fahrzeuge beeinträchtigt.

Ein neues KI-Modell kann Sprachaufnahmen aus verrauschten Aufnahmen extrahieren, ohne jemals ein Paar aus sauberer und verrauschter Audiodatei gesehen zu haben. Forscher der Technischen Universität Brno und der Johns‑Hopkins‑University haben die Methode Unsupervised Speech Enhancement using Data‑defined Priors (USE‑DDP) vorgestellt. Das System nutzt einen dualen Encoder‑Decoder-Ansatz, der jede verrauschte Aufnahme in zwei separate Signale zerlegt: eine Schätzung der reinen Sprache und das verbleibende Rauschen. Durch die Nutzung von ausschließlich realen, verrauschten Aufnahmen als Trainingsdaten beweist USE‑DDP, dass moderne neuronale Architekturen mit geeigneten Priors selbstständig die Sprachkomponente isolieren können. Die Ergebnisse deuten darauf hin, dass die Technik besonders in Anwendungen mit begrenzten oder fehlenden gepaarten Trainingsdaten von großem Nutzen sein könnte.