KI News: Kurz und klar.

Konzeptuelle Hydrologiemodelle bilden seit jeher die Basis für Regen‑Wasser‑Abfluss‑Simulationen. Ihre Kalibrierung ist jedoch oft langsam und numerisch anfällig, was die praktische Anwendung einschränkt.

In der Welt der KI‑Modelle hat die Low‑Rank‑Adaptation (LoRA) einen wichtigen Platz eingenommen, indem sie die Aktualisierung von vortrainierten Gewichtsmatrizen durch das Produkt zweier kleiner Matrizen approximiert. Doch das klassische LoRA‑Paradigma verlangt bei steigender Modellkapazität das Hinzufügen weiterer Zeilen oder Spalten – also Basisvektoren – was zu einem erheblichen Anstieg der Parameterzahl führt.

Numerische Simulationen haben den industriellen Designprozess revolutioniert, indem sie Prototyping-Kosten senken und die Anzahl der Designiterationen verringern. Doch die zunehmende Komplexität dieser Simulationen erfordert umfangreiches Fachwissen, erhebliche Rechenressourcen und viel Zeit. Ein zentrales Problem besteht darin, die Eingangsparameter zu finden, die optimale Ergebnisse liefern, ohne dass jedes Mal kostspielige und umweltbelastende Simulationen durchgeführt werden müssen.

In der Welt der digitalen Zwillinge gewinnt die Kombination aus generativen Modellen und dem Prinzip der Maximum‑Likelihood immer mehr an Bedeutung. Durch die Anwendung dieser statistischen Methode können die Parameter der Modelle so angepasst werden, dass die erzeugten Simulationen die realen Messdaten bestmöglich widerspiegeln. Das Ergebnis ist ein digitaler Zwilling, der nicht nur das Aussehen, sondern auch das Verhalten des physischen Gegenstandes exakt nachbildet.

Die neueste Erweiterung von irace, genannt irace‑evo, kombiniert die bewährte Parameteroptimierung mit einer LLM‑gestützten Codeentwicklung. Dadurch können nicht nur die Einstellungen eines Algorithmus, sondern auch dessen eigentliche Programmcode gleichzeitig verbessert werden.