KI News: Kurz und klar.

In der heutigen Datenanalyse sind lernbasierte Zeitreihenmodelle – egal ob kontinuierlich oder diskret – unverzichtbar, um die Zustände dynamischer Systeme vorherzusagen. Diese Modelle erzeugen Mehrschrittvorhersagen entweder direkt, indem sie den gesamten Horizont auf einmal prognostizieren, oder iterativ, indem sie ihre eigenen Vorhersagen Schritt für Schritt zurückführen. In beiden Fällen sind die Vorhersagen jedoch anfällig für Fehler, die sich mit jeder weiteren Vorhersage verstärken.

In der Signalverarbeitung haben Diffusionsmodelle (DM) gezeigt, dass sie hochpräzise Kanalzustandsinformationen (CSI) liefern können. Ihre größte Schwäche ist jedoch die langsame Abtastgeschwindigkeit, die die praktische Anwendung einschränkt. Um dieses Problem zu lösen, wurde ein neues generatives Modell auf Basis von Flow Matching (FM) für die Abschätzung von MIMO-Kanälen vorgestellt.

Ein neues mathematisches Modell für einen dynamischen molekularen Schalter, der wie neuronale Synapsen arbeitet, wurde auf arXiv veröffentlicht. Das Modell besteht aus einer einstelligen Differentialgleichung, die linear in ihrem Zustand und nichtlinear in ihrem Eingang ist. Durch die exakte Lösbarkeit lässt sich das Verhalten des Schalters analytisch beschreiben.