KI News: Kurz und klar.

Die hochauflösende, aberrationskorrigierte Scanning Transmission Electron Microscopy (STEM) erfordert heute eine rasche Abstimmung der multipolaren Probe-Korrektoren, während gleichzeitig die unvermeidliche Drift der optischen Kolumne kompensiert wird. Traditionelle, serielle, gradientsfreie Suchverfahren wie Nelder–Mead sind zwar automatisiert, aber sehr sampleineffizient und haben Schwierigkeiten, mehrere miteinander verknüpfte Parameter gleichzeitig zu korrigieren. Tiefe Lernmethoden bieten zwar Geschwindigkeit, sind jedoch oft zu starr, um sich ohne umfangreiches Retraining an unterschiedliche Probenbedingungen anzupassen.

In der Welt der Gaussian‑Process‑Regressionen ist die Wahl des richtigen Kovarianz‑Kernels entscheidend für die Modellqualität. Ein neues Verfahren nutzt die Geometrie von „Kernel‑of‑Kernels“, um diesen Auswahlprozess zu beschleunigen und zu verbessern. Durch die Berechnung erwarteter Divergenzen zwischen GP‑Prioren entsteht ein Abstandsmatrix, die mit multidimensionaler Skalierung (MDS) in einen kontinuierlichen euklidischen Raum eingebettet wird. So wird ein diskreter Kernelliteratur‑Katalog in ein glattes, kontinuierliches Manifold überführt, das für die Bayesianische Optimierung (BO) ideal ist.

Vorwärtsosmose (FO) gilt als vielversprechende, energieeffiziente Membrantrenntechnologie, doch die genaue Modellierung des Wasserflusses (Jw) bleibt schwierig, weil komplexe interne Massentransferphänomene auftreten. Traditionelle mechanistische Modelle kämpfen mit der Variabilität empirischer Parameter, während rein datengetriebene Ansätze physikalische Konsistenz und eine rigorose Unsicherheitsquantifizierung vermissen lassen.

Monte‑Carlo‑Tree‑Search (MCTS) ist ein zentraler Algorithmus für Online‑Planung und wird besonders dann eingesetzt, wenn die verfügbare Rechenzeit knapp ist, aber dennoch die bestmögliche Leistung erzielt werden soll. In der Praxis wird häufig die root‑parallele Variante von MCTS verwendet, bei der mehrere Threads gleichzeitig die Wurzel des Baumes erkunden.

In einer kürzlich veröffentlichten Studie auf arXiv (2511.09144v1) wird ein innovatives, auf Chaining basierendes Verfahren vorgestellt, das sowohl globale als auch lokale Unsicherheitsgrenzen für die Gaussian Process Regression (GPR) liefert. Das neue Konzept benötigt keine spezifischen Eingabedatenpunkte und verzichtet auf die üblichen Posterior‑Mittelwert‑ und Varianzschätzungen, wodurch die Robustheit der Methode deutlich erhöht wird.