Willkommen bei Gist.Science

Forschungsarbeiten,
verständlich erklärt.

Wir lesen die neuesten Paper von arXiv, bioRxiv und medRxiv und erstellen verständliche Erklärungen, Kernaussagen und technische Zusammenfassungen — in zehn Sprachen.

99,542 Arbeiten erklärt in 10 Sprachen·Letzte Arbeit hinzugefügt 54m ago
📄Wir lesen die ganze ArbeitNicht nur die Zusammenfassung — jedes Wort
🧠Wir vereinfachen esAnalogien, Metaphern, einfache Sprache
🌎In 10 SprachenNativ generiert, nicht maschinell uebersetzt

Für Forscher: Bleiben Sie auf dem Laufenden

Zu viele Arbeiten, zu wenig Zeit. Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsinteressen — mit technischen Zusammenfassungen in Ihrer Sprache.

Digest testen →

A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications

Dieses Paper präsentiert ein End-to-End-Digital-Twin-Framework für Flugzeugstrukturen, das einen neuartigen Streaming-Sparse-Cholesky-Solver nutzt, um Ableitungsdaten effizient in dynamische Gauß-Prozess-Surrogate einzubinden, was Echtzeit-Vorhersagen des Ermüdungsrisswachstums mit hoher Genauigkeit ermöglicht, ohne die prohibitiven Rechenkosten, die üblicherweise mit Ableitungs-erweiterten Modellen verbunden sind, zu verursachen.

Shridhar Vashishtha, Krishna Prasath Logakannan, Jacob Hochhalter, Shandian Zhe, Robert M. Kirby2026-06-19💻 cs

Estimating carbon pools in the European Shelf sea environment: replacing reanalysis by model-informed machine learning?

Dieses Paper schlägt einen recheneffizienten Deep-Ensemble-Machine-Learning-Ansatz vor, der auf einem Physik-Biogeochemie-Modell trainiert wurde, um die Kohlenstoffpools des europäischen Schelfmeeres und deren Unsicherheiten präzise zu schätzen, was eine praktikable Alternative zu teuren Reanalysen sowie eine Methode zur Ergänzung spärlicher Beobachtungen darstellt.

Jozef Skakala2026-06-19💻 cs

Unreduced Persistence Diagrams for Topological Machine Learning

Diese Arbeit zeigt, dass Machine-Learning-Pipelines, die topologische Merkmale nutzen, welche aus unreduzierten Persistenzdiagrammen abgeleitet wurden, eine vergleichbare oder sogar bessere Leistung als solche unter Verwendung vollständig reduzierter Diagramme erzielen können, während sie gleichzeitig signifikante Vorteile hinsichtlich der Rechenkosten und der Speichereffizienz bieten.

Nicole Abreu, Parker B. Edwards, Francis Motta2026-06-19💻 cs

Grids Often Outperform Implicit Neural Representations at Compressing Dense Signals

Diese Arbeit zeigt, dass bei der Komprimierung dichter Signale einfache regularisierte Gitter mit Interpolation oft implizite neuronale Repräsentationen (INRs) sowohl in der Trainingsgeschwindigkeit als auch in der Qualität übertreffen, während gleichzeitig spezifische Nischen wie das binäre Formanpassen identifiziert werden, in denen INRs weiterhin vorteilhaft sind.

Namhoon Kim, Sara Fridovich-Keil2026-06-19💻 cs

Experimental asymmetric relativistic zero-knowledge proofs with unconditional security

Dieses Paper präsentiert ein effizientes, experimentell verifiziertes asymmetrisches relativistisches Zero-Knowledge-Proof-Protokoll, das durch die Nutzung der speziellen Relativitätstheorie und Quanten-Nichtlokalität eine bedingungslose Sicherheit gegen Quantenangriffe erreicht und dadurch die unpraktikable Round-Komplexität früherer symmetrischer Ansätze überwindet.

Chen-Xun Weng, Ming-Yang Li, Nai-Rui Xu, Yanglin Hu, Ian George, Jiawei Wu, Shengjun Wu, Hua-Lei Yin, Zeng-Bing Chen2026-06-19💻 cs

A non-uniform view of Craig interpolation in modal logics with linear frames

Diese Arbeit zeigt, dass normale Modallogiken, die K4.3 erweitern, zwar im Allgemeinen die Craig-Interpolationseigenschaft vermissen lassen, das spezifische Problem, zu entscheiden, ob für ein gegebenes Paar von Formeln ein Craig-Interpolant existiert, jedoch entscheidbar und coNP-vollständig ist, ein Ergebnis, das sich auch auf priore zeitliche Logiken über standardmäßige lineare Zeitflüsse erstreckt.

Agi Kurucz, Frank Wolter, Michael Zakharyaschev2026-06-19💻 cs

Geometry-Aware Dataset Condensation for Diffusion Model Training

Dieses Paper schlägt die Geometry-Aware Dataset Condensation (GADC) vor, eine Methode, welche die Auswahl echter Teilmengen als geometrie-bewusste Distributionsausrichtung unter Verwendung von einseitigem partiellem optimalem Transport und semantischer Regularisierung neu formuliert, um kompakte Datensätze zu konstruieren, die die für das effektive Training von Diffusionsmodellen erforderliche geometrische Struktur und distributionsbezogene Treue bewahren.

Xiao Cui, Yulei Qin, Mo Zhu, Wengang Zhou, Hongsheng Li, Houqiang Li2026-06-19💻 cs

Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks

Dieses Paper präsentiert ein Deep-Learning-Framework, das geostationäre und polarbahnende Satellitendaten kombiniert, um mittels eines U-Net-Downscaling-Modells hochauflösende (1 km, 15 Min.) Landoberflächentemperaturfelder zu generieren und anschließend mittels eines ConvLSTM-Nowcasting-Modells intraday-LST-Variationen mit hoher Genauigkeit über den wichtigsten europäischen Städten vorherzusagen.

Solomiia Kurchaba, Angela Meyer2026-06-19💻 cs

Robust and Efficient MuJoCo-based Model Predictive Control via Web of Affine Spaces Derivatives

Dieses Paper stellt einen direkt austauschbaren Ersatz für das Finite-Differenzen-Backend von MuJoCo MPC durch Web of Affine Spaces (WASP)-Ableitungen vor, welcher die derivatbasierten Steuerungsplanungen signifikant beschleunigt und stabilisiert, um eine bis zu 2-fache Beschleunigung zu erreichen und bestehende stochastische Methoden bei vielfältigen Robotikaufgaben zu übertreffen.

Chen Liang, Daniel Rakita2026-06-19💻 cs

Hierarchical Rectangle Packing Solved by Multi-Level Recursive Logic-based Benders Decomposition

Diese Arbeit befasst sich mit dem zweidimensionalen hierarchischen Rechteckpackproblem, das durch Anwendungen in der Schaltungsgestaltung und Logistik motiviert ist, indem sie eine neuartige mehrstufige logikbasierte Benders-Zerlegungsmethode vorschlägt, die Blockdimensionen dynamisch verfeinert und sowohl monolithische Formulierungen als auch bestehende Bottom-Up-Baselines in Bezug auf Lösungsqualität und Skalierbarkeit signifikant übertrifft.

Josef Grus, Zdeněk Hanzálek, Christian Artigues, Cyrille Briand, Emmanuel Hebrard2026-06-19💻 cs

Nach Kategorie durchsuchen