KI News: Kurz und klar.

Ein neues Forschungsprojekt aus dem arXiv-Repository präsentiert ein hochpräzises Modell zur Vorhersage von Herz-Kreislauf-Erkrankungen bei Menschen mit Diabetes. Durch den Einsatz moderner Machine‑Learning‑ und Deep‑Learning‑Techniken konnte die Studie eine Genauigkeit von 90,5 % erreichen.

Neues Recurrent Neural Network namens EchoLSTM nutzt ein innovatives Prinzip namens Output‑Conditioned Gating, um sich selbst zu reflektieren und dadurch das Langzeitgedächtnis zu stabilisieren. Durch die Anpassung der internen Speicher‑Gate an frühere Vorhersagen entsteht ein Feedback‑Loop, der die Gedächtnis‑Retention deutlich erhöht.

Ein neues Verfahren nutzt einen schlanken, eindimensionalen Autoencoder mit LSTM‑Bottleneck, um die Hautnervenaktivität (SKNA) aus hochfrequenten EKG‑Aufnahmen zu reinigen. SKNA liefert einen nichtinvasiven Einblick in das sympathische Nervensystem, ist jedoch stark durch EMG‑Störungen verfälscht. Traditionelle Bandpassfilter (500–1000 Hz) können die Frequenzbereiche von Muskelaktivität und SKNA nicht zuverlässig trennen, besonders bei anhaltender Muskelarbeit.

In einer wegweisenden Studie wurden datengetriebene Deep‑Learning‑Modelle entwickelt, die die Emissionen von Aminen sowie die wichtigsten Leistungsparameter in industriellen CO₂-Abscheideanlagen vorhersagen und überwachen können. Die Modelle basieren auf Betriebsdaten der CESAR1‑Kampagne am Technology Center Mongstad und nutzen vier unterschiedliche Architekturen: Basic LSTM, Stacked LSTM, Bi‑directional LSTM und Convolutional LSTM.

In der Stahlindustrie können Fehler beim Gießprozess zu erheblichen finanziellen Verlusten führen. Ein neues Verfahren nutzt Vibrationen, die in einer Stahlgießerei aufgezeichnet werden, um die verschiedenen Phasen des Schmelzflusses präzise zu erkennen.

Das Min‑Max Multiple Traveling Salesmen Problem (m³‑TSP) verlangt, mehrere Routen so zu koordinieren, dass die längste Strecke minimiert wird. Da das Problem NP‑schwer ist, stoßen klassische Optimierer bei größeren Instanzen schnell an ihre Grenzen. Lernbasierte Ansätze haben deshalb an Bedeutung gewonnen, weil sie in kurzer Zeit qualitativ hochwertige Näherungslösungen liefern können.

Die Planung der Schneidreihenfolge (Cut Order Planning, COP) ist ein entscheidender Faktor in der Textilproduktion. Sie beeinflusst die Ausnutzung des Stoffes und die Produktionskosten direkt. Traditionelle Verfahren, die auf statischen Heuristiken und katalogbasierten Schätzungen beruhen, haben Schwierigkeiten, sich an die dynamischen Anforderungen moderner Fertigungsumgebungen anzupassen, was zu suboptimalen Lösungen und erhöhtem Abfall führt.

Eine neue Studie aus dem arXiv‑Repository untersucht, wie man die Luftqualität in einer der am stärksten belasteten Regionen der Welt – Nord‑Nigeria – vorhersagen kann, wenn Daten knapp und unregelmäßig sind. Dabei werden die beiden populärsten Zeitreihenmodelle, der Facebook Prophet und Long Short-Term Memory (LSTM) Netzwerke, miteinander verglichen.

Eine neue Studie aus dem arXiv‑Repository zeigt, wie man mit einem stark lückenhaften Stromverbrauchsdataset präzise Vorhersagen treffen kann. Durch den Einsatz von Gaussian‑Interpolation lässt sich die 62 %‑Sparse‑Stichprobe, die stündliche Lastdaten eines Kraftwerks enthält, erfolgreich nutzen.

In modernen Fertigungsumgebungen ist die präzise und sofortige Erkennung von Arbeitsaktionen entscheidend für Produktivität, Sicherheit und die Zusammenarbeit zwischen Mensch und Maschine. Traditionelle Ansätze zur Gestenerkennung basieren häufig auf zentralisierten Datensätzen, was in sensiblen Industrie‑Settings wegen Datenschutzbedenken problematisch ist.

In einer kürzlich veröffentlichten Arbeit auf arXiv (2508.13184v1) stellen die Autoren ein neues Modell namens BERT‑VQA vor, das sich speziell mit der Beantwortung von Fragen zu Diagrammen beschäftigt. Das Ziel ist es, die Herausforderung des Visual Question Answering (VQA) – bei dem Bild- und Textinformationen kombiniert werden müssen – auf den speziellen Fall von Diagrammen zu übertragen.

Die jüngste Veröffentlichung auf arXiv (2508.11680v1) präsentiert eine bahnbrechende Analyse von Zeitreihen‑Foundation‑Modellen für die demografische Prognose. Ziel war es, die Genauigkeit von Bevölkerungsprognosen in den Vereinigten Staaten zu verbessern, indem Daten aus dem U.S. Census Bureau und der Federal Reserve Economic Data (FRED) genutzt wurden.

Wissenschaftler haben ein neues Hybridmodell aus Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) entwickelt, das die Vorhersage der PM2,5‑Konzentration in der Luft deutlich verbessert.