KI News: Kurz und klar.

Graph Neural Networks (GNNs) arbeiten häufig mit Text‑Attributed Graphs (TAGs), indem sie die Texte von Knoten mit vortrainierten Sprachmodellen (PLMs) kodieren und die resultierenden Einbettungen linear über Nachbarschaften aggregieren. Doch die Repräsentationsräume moderner PLMs sind hochgradig nichtlinear und geometrisch strukturiert – die Text‑Embeddings liegen auf gekrümmten semantischen Manifolds statt in flachen euklidischen Räumen. Lineare Aggregation auf solchen Manifolds verfälscht die Geometrie und führt zu semantischem Drift, bei dem die aggregierten Vektoren vom eigentlichen Manifold abweichen und semantische Präzision sowie Ausdruckskraft verlieren.

Ein neuer Ansatz aus dem Bereich der künstlichen Intelligenz zeigt, wie vortrainierte Sprachmodelle gezielt angepasst werden können, um Fachleute bei der Nutzung von Simulationswerkzeugen zu unterstützen. Im Fokus steht dabei PyChrono, ein quelloffener Multi‑Physics‑Engine für Mehrkörperdynamik.

Die jüngsten Fortschritte bei vortrainierten Sprachmodellen (PLMs) haben die Welt der Zeitreihen‑Vorhersage (TSF) neu belebt. Trotz ihrer beeindruckenden Fähigkeiten in der Sprachverarbeitung liefern PLM‑basierte TSF‑Methoden bislang noch nicht die gewünschte Genauigkeit. Das neue Verfahren CC‑Time löst dieses Problem, indem es zwei innovative Ansätze kombiniert.