KI News: Kurz und klar.

In einer neuen Studie aus dem arXiv-Repository wird gezeigt, wie Reinforcement Learning (RL) die Auswahl von Nachbarschaften in lokalen Suchalgorithmen verbessern kann. Dabei wurden verschiedene RL-Strategien – von klassischen Multi-Armed-Bandit-Methoden wie Upper Confidence Bound und ε‑Greedy bis hin zu modernen Deep‑RL-Ansätzen wie Proximal Policy Optimization und Double Deep Q‑Network – systematisch mit traditionellen Baselines verglichen.

Makrozyklische Peptide vereinen die Bindungsaffinität von Biologika mit der Entwicklungsfreundlichkeit kleiner Moleküle. Trotz ihres Potenzials erschweren der enorme kombinatorische Raum und die gleichzeitige Optimierung mehrerer Parameter die schnelle Entwicklung von Leitlinien.

In der rasanten Entwicklung von Artificial General Intelligence spielen autonome Agenten eine Schlüsselrolle, indem sie Aufgaben zerlegen und Werkzeuge mithilfe von Large Language Models (LLMs) orchestrieren. Derzeit stehen Entwickler jedoch vor einem entscheidenden Dilemma: feste, wiederverwendbare Workflows erfordern manuelle Anpassungen bei Umweltveränderungen, während flexible, reaktive Schleifen keine übertragbaren Strukturen für zukünftige Aufgaben liefern.