63 Arbeiten
Diese Studie stellt einen auf dem Large Language Model Google Gemini 2.0 Flash basierenden Chatbot vor, der mithilfe von Python, Gmsh und GetDP den Prozess der Einrichtung und Lösung von zweidimensionalen elektromagnetischen Wirbelstrom-Simulationen mit variablen Leitergeometrien und benutzerdefinierten Nachverarbeitungsroutinen automatisiert, um die Vorbereitungszeit erheblich zu verkürzen.
Das Paper stellt EPIC vor, ein verteiltes wissenschaftliches Lernframework, das durch hardware- und physikgesteuerte Kodierung und Dekodierung die Kommunikationskosten und Latenz bei der Full-Waveform-Inversion drastisch senkt, ohne dabei die physikalische Genauigkeit zu beeinträchtigen.
Das Paper stellt ToolRosetta vor, ein Framework, das Open-Source-Repositories automatisch in standardisierte, sicherheitsgeprüfte MCP-Tools für LLM-Agenten übersetzt, um die Skalierbarkeit und Leistung bei der Aufgabenerfüllung ohne manuelle Eingriffe zu verbessern.
Dieser Artikel stellt einen Funktor vor, der einem algebraischen Modell interagierender Komponenten eine Dynamik verleiht und dabei das künstliche Leben-Modell AlChemy von Fontana und Buss verallgemeinert, um die Verbindung zwischen algebraischen und dynamischen Aspekten mittels Kategorientheorie zu formalisieren.
Diese Arbeit stellt eine regularisierte Ensemble-Kalman-Filter-Methode vor, die sensorische Verschiebungsdaten nutzt, um im Rahmen stochastischer Phasenfeldmodelle für spröde Brüche nicht nur die Verschiebungs-, sondern auch die Phasenfeldverteilung durch Bayessche Inferenz zu aktualisieren und so Modellunsicherheiten zu reduzieren.
Diese Arbeit stellt eine neue, dichte-gradienteninformierte Projektionsmethode vor, die in der Topologieoptimierung mit variabler Dicke unscharfe strukturelle Kanten effektiv wiederherstellt und gleichzeitig unerwünschte Bereiche geringer Dicke unterdrückt, ohne die strukturelle Nachgiebigkeit nennenswert zu beeinträchtigen.
Die Autoren stellen einen effizienten, loop-basierten Algorithmus für das Online-Dispatching und Routing von fahrerlosen Transportsystemen (AGVs) in Kreisgraphen vor, der in Experimenten mit realen und theoretischen Instanzen entweder bessere Ergebnisse oder gleichwertige Lösungen in kürzerer Rechenzeit im Vergleich zu exakten Methoden, Greedy-Heuristiken und Metaheuristiken liefert.
Die vorgestellte Arbeit stellt ein erklärbares Framework für die Anomalieerkennung in Finanznetzwerken vor, das durch adaptive Experten-Routing-Mechanismen nicht nur verschiedene Anomaliearten wie Preischocks oder Liquiditätskrisen identifiziert, sondern auch deren spezifische Ursachen automatisch zuordnet, um gezielte regulatorische Maßnahmen zu ermöglichen.
Dieses Papier bietet einen umfassenden Überblick über numerische Differentiationsmethoden, stellt deren theoretische Grundlagen und Anwendungsvorteile vor und stellt das Open-Source-Python-Paket PyNumDiff zur Verfügung, um Wissenschaftlern und Ingenieuren bei der Auswahl geeigneter Verfahren für verrauschte Daten zu helfen.
Diese Arbeit schlägt eine neue Methode zur Vorhersage von Bitcoin-Preisen vor, die auf der kombinatorischen Fusionsanalyse (CFA) basiert und durch die Kombination diverser Modelle sowie die Nutzung von Rang- und Punktwerten eine signifikant höhere Genauigkeit mit einem MAPE von 0,19 % erreicht als einzelne Modelle oder andere Ansätze.
Diese Studie zeigt, dass die Kombination von LLM-basierten Nachrichten-Sentiment-Analysen (insbesondere mit DeBERTa und einem Ensemble-Modell) die Vorhersagegenauigkeit von Aktienkursbewegungen signifikant verbessert und verschiedene Klassifikations- sowie Regressionsmodelle unterstützt.
HarmonyCell ist ein end-to-end Agenten-Framework, das durch eine LLM-gesteuerte semantische Vereinheitlichung und einen adaptiven Monte-Carlo-Baumsuch-Algorithmus die Modellierung von Einzelzell-Perturbationen unter semantischen und distributionellen Verschiebungen automatisiert und dabei sowohl die Ausführungsfähigkeit als auch die Leistung gegenüber Experten-basierten Baselines signifikant verbessert.
Diese Studie zeigt, dass der Fourier-Neural-Operator (FNO) im Vergleich zu herkömmlichen CFD-Methoden und anderen neuronalen Architekturen wie U-Net und Autoencodern eine deutlich schnellere und genauere Vorhersage von Strömungen durch poröse Medien ermöglicht, was ihn besonders für die Topologieoptimierung von Kühlplatten geeignet macht.
Diese Arbeit stellt physik-konsistente neuronale Netzwerke vor, die unter Berücksichtigung von Cosserat-Elastizität und spezifischen Stabilitätskriterien wie der Quasikonvexität die Deformation und Richtungsvektorfelder in mikrostrukturierten Medien lernen und validieren.
Diese Arbeit stellt einen GPU-beschleunigten, transienten EM-Thermisch-Mechanischen Kopplungslöser vor, der durch die Auflösung feinkörniger dynamischer Effekte ohne Homogenisierung eine physikalisch präzise Frühphasen-Simulation fortschrittlicher Package-Designs ermöglicht und so versteckte Ausfallmechanismen aufdeckt, die herkömmliche Methoden übersehen.
Die Studie stellt „Agora" als eine KI-gestützte Plattform vor, die mithilfe von LLMs und authentischen menschlichen Stimmen hilft, die Fähigkeit zum Konsensfinden zu trainieren, und zeigt in einer Vorstudie, dass Nutzer mit Zugang zu detaillierten Erklärungen bessere Problemlösungsfähigkeiten und qualitativ hochwertigere Konsensentscheidungen erzielen als eine Kontrollgruppe, die nur aggregierte Daten sah.
Das Paper stellt Tau-BNO vor, ein neuronales Operator-Modell, das als schneller Surrogat-Ansatz für das komplexe Network Transport Model dient, um die Ausbreitung von Tau-Proteinen im Gehirn mit hoher Genauigkeit und deutlich reduzierter Rechenzeit zu simulieren und so neue biophysikalische Erkenntnisse zu ermöglichen.
Die Studie zeigt, dass sich die rechenintensive Bias-Erkennung in Finanz-LLMs durch die Nutzung konsistenter Muster über verschiedene Modelle hinweg erheblich beschleunigen lässt, indem beispielsweise 73 % der Verzerrungen von FinMA bereits mit nur 20 % der Eingabepaare identifiziert werden können, wenn man sich auf Erkenntnisse aus DistilRoBERTa stützt.
Diese Studie zeigt, dass ein neuartiger Framework-Ansatz, der Large Language Models zur extrahierung kontextabhängiger semantischer Signale aus Unternehmensmitteilungen nutzt, im Vergleich zu herkömmlichen Methoden eine überlegene Vorhersagekraft für Alpha aufweist, indem er subtile Verschiebungen in den betriebswirtschaftlichen Schwerpunkten erfasst.
Das Paper stellt CostNav vor, einen physikalisch fundierten Benchmark, der autonome Navigationsagenten anhand realer wirtschaftlicher Kosten und Einnahmen bewertet und dabei zeigt, dass aktuelle Methoden trotz hoher Erfolgswahrscheinlichkeit bei vereinfachten Aufgaben kommerziell nicht tragfähig sind.