KI News: Kurz und klar.

In vielen praxisnahen Anwendungen muss man teure, schwarze Box-Funktionen optimieren, die nur über verrauschte Messungen zugänglich sind. Traditionell wird hierfür Bayesian Optimization (BO) eingesetzt, wobei Gaussian Processes (GPs) häufig als Modell dienen. Neuere Entwicklungen zeigen, dass Bayesian Neural Networks (BNNs) als skalierbare Alternative zu GPs fungieren können, jedoch bleiben die klassischen BNN‑BO‑Frameworks durch aufwendige Posterior‑Sampling‑Schritte und die Optimierung der Akquisitionsfunktion stark belastet.

In einer wegweisenden Studie wurden Heat‑Pipe‑Mikroreaktoren (HPMRs) mithilfe modernster KI‑Methoden neu gestaltet. Diese kompakt‑transportablen Reaktoren sind ideal für abgelegene Gebiete, in denen fossile Brennstoffe teuer sind, doch ihre Wirtschaftlichkeit blieb bislang fraglich.

Ein neuer Ansatz aus dem arXiv-Preprint Improving Iterative Gaussian Processes via Warm Starting Sequential Posteriors verspricht, die Skalierbarkeit von Gaussian Processes (GPs) in sequentiellen Entscheidungsaufgaben deutlich zu erhöhen. Durch die Nutzung bereits gelöster kleinerer Teilprobleme kann die Konvergenz der iterativen linearen Solver – wie konjugierte Gradienten oder stochastische Gradientenabstiegsverfahren – signifikant beschleunigt werden.

Ein neues Verfahren aus der arXiv-Preprint-Serie 2511.07734v1 eröffnet die Möglichkeit, komplexe Graphdaten effizient zu optimieren. Durch die Kombination von Bayesian Optimization und Gaussian Processes werden bislang schwierige Aufgaben in graphstrukturierten Domänen angegangen.

Wissenschaftler haben einen neuen Algorithmus namens GP‑MOBO vorgestellt, der die Grenzen der molekularen Optimierung sprengt. Durch die Kombination von exakten Gaussian Processes mit einem schnellen, minimalen Paket kann GP‑MOBO die volle Dimensionalität sparser molekularer Fingerabdrücke nutzen, ohne dabei enorme Rechenressourcen zu beanspruchen.