KI News: Kurz und klar.

In einer wegweisenden Entwicklung kombiniert das neue Framework CodePilot die Kraft von großen Sprachmodellen mit der Monte-Carlo-Baum-Suche (MCTS), um Softwarefehler in realen GitHub-Projekten automatisch zu beheben. Durch die Integration von symbolischer Suche und neuronaler Sprachgenerierung eröffnet CodePilot einen vielversprechenden Ansatz für die automatisierte Softwarewartung.

Prozesssimulation ist das Herzstück des chemischen Ingenieurwesens. Doch die Umwandlung von Prozessflussdiagrammen in ausführbare Simulationsfließbögen bleibt ein mühsamer, manueller Prozess, bei dem Fachleute stundenlang Parameter in Simulationssoftware eingeben müssen.

In einer wegweisenden Veröffentlichung stellt das Forschungsteam den Reinforcement‑Learning‑Algorithmus ObjectZero vor, der die Welt in einzelne Objekte zerlegt und deren Interaktionen mithilfe von Graph Neural Networks (GNNs) modelliert. Durch diese objektzentrierte Sichtweise kann das System komplexe, dynamische Umgebungen viel präziser erfassen als herkömmliche Ansätze, die die Welt als ein einziges, unstrukturiertes Bild betrachten.

Die Nutzung von Baum-Suchverfahren hat die Fähigkeit großer Sprachmodelle zur Codegenerierung deutlich gesteigert. Dennoch bleiben die Bewertung von Zwischenschritten und die rechtzeitige Korrektur von Fehlern problematisch, was zu fehlerhaften Programmen und erhöhten Rechenkosten führt.

Monte‑Carlo‑Tree‑Search (MCTS) hat sich als leistungsstarkes Werkzeug für die Lösung komplexer Planungsaufgaben etabliert, indem es die Upper Confidence Bound for Trees (UCT) nutzt, um Exploration und Exploitation zu balancieren. In Multi‑Agenten‑Planung stößt MCTS jedoch auf ein enormes combinatorisches Aktionsraumproblem: die Anzahl möglicher Aktionskombinationen wächst exponentiell mit der Agentenzahl, was zu einem exponentiell steigenden Zweigfaktor führt und die effiziente Suche stark erschwert.

Die neueste Veröffentlichung auf arXiv (2508.15010v1) stellt TOAST vor – ein automatisiertes Partitionierungssystem, das große Machine‑Learning‑Modelle schnell und skalierbar über verteilte Beschleuniger hinweg verteilt.