KI News: Kurz und klar.

Large Language Models (LLMs) haben die automatisierte Entwicklung von Heuristiken für kombinatorische Optimierungsprobleme revolutioniert. Anstatt auf manuelle Entwürfe zu setzen, generieren LLM‑basierte Verfahren (LLHD) iterativ neue Solver und verfeinern sie, um Spitzenleistungen zu erzielen. Bisher litten solche Systeme jedoch unter zwei gravierenden Schwächen: Erstens bewerteten sie Solver ausschließlich anhand ihrer Endqualität, ohne den Konvergenzverlauf und die Laufzeit zu berücksichtigen. Zweitens verlangten plötzliche Änderungen in der Problemverteilung einen vollständigen Neuanpassungsprozess, was enorme Kosten verursachte.

Die Nutzung großer Sprachmodelle (LLMs) in kritischen Anwendungen stößt häufig an die Grenze, dass die Modelle nicht immer den vorgegebenen Anweisungen folgen. Solche Verstöße sind schwer zu erkennen und können in agentenbasierten Workflows zu Ketten von Fehlern führen, die letztlich Aufgaben scheitern lassen.

Neues Benchmarking-Tool namens AstroReason-Bench wurde vorgestellt, um die Leistungsfähigkeit von agentenbasierten Sprachmodellen (LLMs) in realen, physikgebundenen Raumfahrtplanungsaufgaben zu prüfen. Diese Aufgaben, die als Space Planning Problems (SPP) bezeichnet werden, zeichnen sich durch heterogene Ziele, strenge physikalische Beschränkungen und langfristige Entscheidungsfindung aus.

Die Planung von Aufgaben, die mehreren, oft widersprüchlichen Vorgaben genügen müssen, stellt aktuelle KI-Modelle vor große Herausforderungen. Traditionelle Sprachmodelle, die lange Argumentationsketten erzeugen, neigen zu Inkonsistenzen und steigenden Kosten, sobald die Anzahl der Constraints zunimmt. Kombinierte Ansätze, die KI mit Programmierung oder festem Solver verknüpfen, bieten zwar mehr Präzision, bleiben jedoch in ihrer Flexibilität eingeschränkt, weil sie häufig problem‑spezifischen Code aus dem Nichts generieren oder auf starre Solver angewiesen sind.

Eine neue Methode zur Entscheidungsfindung in der Kreislaufwirtschaft wurde vorgestellt. Das Konzept nutzt einen deterministischen Solver, der auf einem erweiternden Disassembly Sequencing Planning‑Graphen basiert. Durch die Einbindung der Demontagehistorie in den Zustand wird die Markov‑Eigenschaft gewährleistet, sodass jede Entscheidung nur vom vorherigen Zustand abhängt und damit optimal und rekursiv ausgewertet werden kann.

Ein neues arXiv-Papier präsentiert einen neuartigen Solver, der das Abstraction and Reasoning Corpus (ARC‑AGI) – ein anspruchsvolles Benchmark für künstliche allgemeine Intelligenz – mit bemerkenswerten Erfolgen bewältigt. Der Ansatz nutzt Vector Symbolic Algebras (VSAs), um abstrakte Objekte darzustellen und die Suche nach Lösungen effizient zu steuern.

Ein neues arXiv-Posting (ID 2511.02048v1) präsentiert einen innovativen Ansatz zur Lösung von Optimierungsproblemen mit binären Variablen.

Ganzzahlprogramme (Integer Programming) sind das Herzstück vieler wichtiger kombinatorischer Optimierungsaufgaben, bleiben jedoch wegen ihrer NP‑schweren Natur ein großes Problem. Ein bewährter Ansatz zur Beschleunigung dieser Programme ist das manuelle Entwerfen von „Acceleration Cuts“ – speziellen Ungleichungen, die die Leistung von Solver*innen deutlich steigern. Dieser kreative Prozess erfordert jedoch tiefgehendes Fachwissen und ist bislang nicht automatisiert.