Command Palette
Search for a command to run...
Zusammenstellung Von Fachartikeln | Über 100 Wichtige Errungenschaften Im Bereich KI Für Die Wissenschaft: Ein Kurzer Überblick Über Technologische Innovationen Bis 2025
Im vergangenen Jahr hat sich das Verhältnis zwischen KI und wissenschaftlicher Forschung grundlegend und unauffällig gewandelt. Von der Versuchsplanung und Datenmodellierung bis hin zur theoretischen Ableitung dringt künstliche Intelligenz in beispiellosem Tempo in die Kernbereiche des wissenschaftlichen Forschungsprozesses ein und führt zu einer Reihe bahnbrechender Ergebnisse, die sich mit traditionellen Paradigmen nur schwer erklären lassen. Bis 2025 wird KI für die Wissenschaft nicht mehr nur eine Reihe verstreuter technologischer Anwendungen sein, sondern sich schrittweise zu einem klaren, systematischen und wiederverwendbaren Weg für wissenschaftliche Forschung und Innovation entwickeln.
Anders als bei früheren Versuchen der „KI-gestützten wissenschaftlichen Forschung“ wird sich im Jahr 2025 Folgendes wesentlich ändern:Künstliche Intelligenz ist nicht länger nur ein Werkzeug, sondern wird Teil des wissenschaftlichen Forschungsparadigmas.Immer mehr Forschungsarbeiten werden von vornherein danach konzipiert, „wie man Modelle in die wissenschaftliche Forschung einbeziehen kann“, was zu einer Vielzahl qualitativ hochwertiger Ergebnisse geführt hat, die methodische Innovation mit wissenschaftlichem Wert verbinden.
HyperAI konzentriert sich auf die Fortschritte und Durchbrüche im Bereich AI4S und dokumentiert Schlüsselmomente dieser Entwicklung durch die systematische Auswertung aktueller Forschungsarbeiten. Zum einen möchten wir die neuesten Forschungsergebnisse und Methoden strukturiert und allgemeinverständlich präsentieren, um das Verständnis für Leser verschiedener Fachrichtungen zu erleichtern. Zum anderen möchten wir durch kontinuierliche Veröffentlichungen ein tieferes Verständnis für die weitreichenden Auswirkungen von KI auf die Produktivität wissenschaftlicher Forschung bei mehr Forschern, Ingenieuren und Institutionen fördern.
Zum Jahresende und Jahresbeginn ist es ein wichtiger Moment für Reflexion und Ausblick. Dieser Artikel behandelt „HyperAI SuperNeural“ in … Spitzenforschungsarbeiten zum Thema KI in der Wissenschaft, analysiert im Jahr 2025Das Buch ist systematisch aufgebaut und kategorisiert und deckt verschiedene Bereiche wie Biomedizin, Gesundheitswesen, Materialchemie, meteorologische Forschung und Astronomie ab, sodass es für Leser mit unterschiedlichem Hintergrund einfach ist, schnell zu suchen und nachzuschlagen.
Weitere hochaktuelle Veröffentlichungen ansehen:
Sehen Sie sich die relevanten Datensätze für die Forschung an:
KI+ Biomedizin
Neue generative Modelle und neue Benchmarks verändern die Vorhersagekraft ungeordneter Proteinkomplexe.
Verbesserung der Vorhersage von Protein-Ensembles entlang des Kontinuums von Ordnung und Unordnung
*Quelle:bioRxiv
*AutorEin gemeinsames Team bestehend aus Peptone, Nvidia, MIT und anderen.
*Papier:
https://www.biorxiv.org/content/10.1101/2025.10.18.680935v1
Die erste menschliche HautÜberprüfung der SchichtdatenNOBLE, ein neuronales Modellierungsframework4200-mal schneller als herkömmliche Geschwindigkeiten
NOBLE – Neuronal Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models
*QuelleNeurIPS 2025
*AutorEin gemeinsames Team der ETH Zürich, des Caltech und der Universität von Alberta sowie weiterer Institutionen.
*Papier:
PLACER, ein Graph-Neuronales Netzwerk, befasst sich mit der Konformationsheterogenität von Proteinen.
Modellierung von Protein-Kleinmolekül-Konformationsensembles mit PLACER
*QuelleVeröffentlichungen der Nationalen Akademie der Wissenschaften (PNAS)
*AutorDas Forschungsteam von Professor David Baker an der Universität von Washington
*Papier:
https://www.biorxiv.org/content/10.1101/2024.09.25.614868v2
Squidiff ermöglicht die Simulation des Transkriptoms in verschiedenen Szenarien und trägt so zur Entwicklung der Präzisionsmedizin und der Weltraummedizin bei. Squidiff: Vorhersage der zellulären Entwicklung und Reaktionen auf Störungen mithilfe eines Diffusionsmodells
*Quelle：Naturmethoden
*AutorEin gemeinsames Forschungsteam der Columbia University und der Stanford University
*Papier:
https://www.nature.com/articles/s41592-025-02877-y
Ein Bildklassifikator für Blutzellen und ein Diffusionsmodell helfen bei der Leukämieerkennung und übertreffen die Fähigkeiten klinischer Experten.
Tiefe generative Klassifizierung der Blutzellmorphologie
*Quelle:Natur
*AutorForschungsteam der Universität Cambridge, Großbritannien
*Papier:
https://www.nature.com/articles/s42256-025-01122-7
Das Ctrl-DNA-Framework ermöglicht die „gezielte Kontrolle“ der Genexpression in spezifischen Zellen.
Ctrl-DNA: Eingeschränktes Reinforcement Learning für das Design zellspezifischer cis-regulatorischer Elemente
*QuelleNeurIPS 2025
*AutorDas Team der Universität Toronto arbeitet mit dem Changping-Labor zusammen.
*Papier:
https://arxiv.org/abs/2505.20578
BoltzGen ermöglicht die Entwicklung von Proteinkonjugaten über verschiedene Molekültypen hinweg und erreicht eine nanomolare Affinität zum 66%-Target.
BoltzGen: Auf dem Weg zu einem universellen Binderdesign
*Quelle:
*AutorMIT und Boltz, neben anderen Institutionen
*Papier:
FusionProt, ein neuartiges Framework zur Charakterisierung der dynamischen Fusion von Proteinen, ermöglicht den iterativen Informationsaustausch und erzielt bei mehreren Aufgaben eine herausragende Leistung.
FusionProt: Verschmelzung von Sequenz- und Strukturinformationen für einheitliches Proteinrepräsentationslernen
*Quelle:bioRxiv
*AutorForschungsteam des Technion – Israel Institute of Technology in Zusammenarbeit mit Meta AI
*Papier:
MorphDiff, ein auf dem Transkriptom basierendes Diffusionsmodell, beschleunigt die phänotypische Arzneimittelentwicklung.
Vorhersage von Zellmorphologieänderungen unter Störungen mit einem Transkriptom-gesteuerten Diffusionsmodell
*Quelle：Nature Communications
*AutorForscher von Institutionen wie der Chinesischen Universität Hongkong und der Mohammed bin Zayed Universität für Künstliche Intelligenz
*Papier:
https://www.nature.com/articles/s41467-025-63478-z
AlphaPPIMI, eine Methode zur Vorhersage von PPI-Schnittstellenmodifikatoren, übertrifft bestehende Methoden.
Alphappimi: ein umfassendes Deep-Learning-Framework zur Vorhersage von PPI-Modulator-Interaktionen
*QuelleZeitschrift für Chemoinformatik
*AutorGemeinsames Forschungsteam der China University of Petroleum und der Yonsei University
*Papier:
https://jcheminf.biomedcentral.com/articles/10.1186/s13321-025-01077-2
scSiameseClu erzielt Bestleistungen bei unüberwachten Einzelzell-Clustering-Aufgaben.
scSiameseClu: Ein Framework für siamesisches Clustering zur Interpretation von Einzelzell-RNA-Sequenzierungsdaten
*QuelleIJCAI 2025
*AutorForschungsteam der Chinesischen Akademie der Wissenschaften, der Nordost-Landwirtschaftsuniversität, der Universität Macau und der Jilin-Universität
*Interpretation:IJCAI 2025 | Validierung von 7 Datensätzen: scSiameseClu erreicht SOTA-Leistung bei unbeaufsichtigten Einzelzell-Clustering-Aufgaben
*Papier:
Integration von neuronalen Netzwerkframeworks zur effizienten Vorhersage von Multimetallbindungsstellen in Proteinsequenzen
Ein modularer Ansatz mittels neuronaler Fusionsnetzwerke zur effizienten Vorhersage von Multimetall-Bindungsstellen in Proteinsequenzen
*Quelle:bioRxiv
*AutorForschungsteam der Hong Kong University of Science and Technology
*Papier:
ReaSyn nutzt die Inspiration von Gedankenketten, um die Molekülsynthese zu analogisieren und so extrem hohe Rekonstruktionsraten und eine große Vielfalt an Synthesewegen zu erreichen.
Molekülsynthesefähigkeit mit Kettenreaktionen neu überdenken
*Quelle: arXiv
*AutorNVIDIA-Forschungsteam
*Papier:
https://arxiv.org/abs/2509.16084
Ein neuartiger Ansatz zur Entwicklung von Proteinen, die an ungeordnete Regionen binden und so nicht medikamentös angreifbare Ziele erreichen.
Design von Proteinen, die an intrinsisch ungeordnete Regionen binden
*Quelle:Wissenschaft
*AutorDavid Baker und sein Team
*Papier:
https://www.science.org/doi/10.1126/science.adr8063
AMix-1 ermöglicht ein skalierbares und universelles Proteindesign, was zu Proteinvarianten mit 50-fach erhöhter Aktivität führt.
AMix-1: Ein Weg zum testzeitskalierbaren Protein-Grundlagenmodell
*Quelle: arXiv
*AutorDie Forschungsgruppe von Professor Zhou Hao am Institut für Intelligente Industrie (AIR) der Tsinghua-Universität arbeitet mit dem Shanghai Artificial Intelligence Laboratory zusammen.
*Papier:
Das Zwei-Wege-Brownsche Brückendiffusionsmodell reduziert die Ausgabevarianz signifikant und verbessert so die Reproduzierbarkeit der virtuellen Färbeergebnisse.
Virtuelle Färbung von markierungsfreiem Gewebe in der bildgebenden Massenspektrometrie
*Quelle：Wissenschaftliche Fortschritte
*AutorUCLA-Forschungsteam
*Papier:
Der All-Atom-Diffusions-Transformator ADiT überwindet die Modellierungsbarrieren zwischen periodischen und aperiodischen Systemen.
All-Atom-Diffusion-Transformatoren: Einheitliche generative Modellierung von Molekülen und Materialien
*QuelleICML 2025
*AutorEin gemeinsames Forschungsteam von MetaFAIR, der Universität Cambridge und dem MIT
*Papier:
Full-Atom MPNN modelliert explizit die Sequenzidentität und die Seitenkettenstruktur jedes Aminosäurerests.
Seitenkettenkonditionierung und -modellierung für das vollständige Atom-Proteinsequenzdesign mit FAMPNN
*QuelleICML 2025
*AutorEin Team der Stanford University in Zusammenarbeit mit dem Arc Institute in Palo Alto, Kalifornien.
*Papier:
La-Proteina erzielt einen Durchbruch im Proteindesign auf atomarer Ebene und ermöglicht die hochpräzise Herstellung von Proteinen mit bis zu 800 Aminosäureresten.
La-Proteina: Atomistische Proteinerzeugung mittels partiell latentem Flussabgleich
*Quelle: arXiv
*AutorDas Forschungsteam von NVIDIA arbeitete mit Mila, dem Quebec Institute for Artificial Intelligence in Kanada, zusammen.
*Interpretation:NVIDIA erzielt Durchbruch im Proteindesign auf atomarer Ebene und generiert Proteine mit bis zu 800 Aminosäureresten mit hoher Genauigkeit
Das Deep-Learning-Modell SUICA kann die Genexpression an jeder beliebigen Stelle in einem räumlichen Transkriptom-Ausschnitt vorhersagen.
SUICA: Lernen von hochdimensionalen, spärlichen impliziten neuronalen Repräsentationen für die räumliche Transkriptomik
*QuelleICML 2025
*AutorEine Gruppe unter der Leitung von Professor Zheng Yinqiang an der Universität Tokio und eine Gruppe unter der Leitung von Professor Ding Jun an der McGill University.
*Papier:
Ein neuartiges, vollständig atomares Proteingenerierungsmodell (APM) ermöglicht die vollständig atomare Konstruktion und funktionelle Optimierung.
Ein All-Atom-Generatives Modell für den Entwurf von Proteinkomplexen
*QuelleICML 2025
*AutorDie Hunan-Universität hat in Zusammenarbeit mit der Universität der Chinesischen Akademie der Wissenschaften und dem Seed-Team von ByteDance ein Projekt gestartet.
*Papier:
APEX, ein Deep-Learning-Modell, wird zum Screening potenzieller Antibiotika-Kandidaten verwendet.
Computergestützte Erforschung globaler Gifte zur Entdeckung antimikrobieller Wirkstoffe mit Venomics-KI
*Quelle：Nature Communications
*AutorForschungsteam der Universität von Pennsylvania, USA
*Papier:
https://www.nature.com/articles/s41467-025-60051-6[*]
Das Protein-Sprachmodell Prot42 ermöglicht die Modellierung langer Sequenzen und die Generierung von Bindungsmitteln mit hoher Affinität.
Prot42: eine neue Familie von Protein-Sprachmodellen für die zielorientierte Generierung von Proteinbindern
*Quelle: arXiv
*AutorEin gemeinsames Forschungsteam des Inception AI Institute in Abu Dhabi und von Cerebras Systems im Silicon Valley.
*Interpretation:8k lange Sequenzmodellierung, Proteinsprachenmodell Prot42 kann hochaffine Binder nur unter Verwendung der Zielproteinsequenz erzeugen
*Papier:
UniSim, ein Simulator für die zeitliche Vergröberung der Dynamik in Biomolekülen, hat erstmals eine einheitliche Simulation der zeitlichen Vergröberung der Dynamik über verschiedene Molekültypen und chemische Umgebungen hinweg erreicht.
UniSim: Ein einheitlicher Simulator für die zeitlich verfeinerte Dynamik von Biomolekülen
*QuelleICML 2025
*AutorTsinghua-Universität und Renmin-Universität Gaoling-Schule für Künstliche Intelligenz
*Interpretation:Die für ICML 2025 ausgewählte Tsinghua-Universität/Renmin-Universität schlug UniSim vor, einen einheitlichen Biomolekulardynamik-Simulator
*Papier:
SimplifiedBondfinder basiert auf 86.000 Proteinstrukturdaten und verwendet maschinelle Lernverfahren unter Einbeziehung quantenmechanischer Berechnungen, um 69 neue Stickstoff-Sauerstoff-Schwefel-Bindungen zu entdecken.
Aufdeckung von Arginin-Cystein- und Glycin-Cystein-NOS-Verknüpfungen durch eine systematische Neubewertung von Proteinstrukturen
*QuelleKommunikationschemie
*AutorTeam der George August Universität
*Papier:
https://www.nature.com/articles/s42004-025-01535-w
Die Verwendung von Modellen zur Generierung von Proteinsequenzen für die Entwicklung überlappender Gene weist eine extrem hohe Erfolgsquote auf.
Entwurf überlappender Gene mithilfe tiefer generativer Modelle von Proteinsequenzen
*Quelle:bioRxiv
*AutorDavid Bakers Team an der Universität von Washington
*Papier:
https://doi.org/10.1101/2025.05.06.652464
Das Vorhersage-Framework PUPS kombiniert auf innovative Weise Protein-Sprachmodelle und Bild-Inpainting-Modelle, um eine Proteinlokalisierung auf Einzelzellebene zu erreichen.
Vorhersage der subzellulären Proteinlokalisierung in einzelnen Zellen
*Quelle：Naturmethoden
*AutorTeams der MIT und der Harvard University
*Papier:
UniMoMo, das erste einheitliche generative Framework für verschiedene Molekülspezies, ermöglicht die Entwicklung vielfältiger Arten von Wirkstoffmolekülen.
UniMoMo: Einheitliche generative Modellierung von 3D-Molekülen für die Entwicklung neuartiger Bindemittel
*QuelleICML 2025
*AutorDas Team unter der Leitung von Professor Liu Yang von der Tsinghua-Universität arbeitet in Zusammenarbeit mit dem Team von Professor Huang Wenbing von der Renmin-Universität und dem ByteDance AI Pharmaceutical Team
*Papier:
Das Deep-Learning-Framework STAIG enthüllt detaillierte genetische Informationen in der Tumormikroumgebung.
STAIG: Räumliche Transkriptomikanalyse mittels bildgestütztem Graphenkontrastlernen zur Domänenexploration und ausrichtungsfreien Integration
*Quelle：Nature Communications
*AutorForschungsteam des Instituts für Medizinische Wissenschaften der Universität Tokio, Japan
*Papier:
https://www.nature.com/articles/s41467-025-56276-0
Der DRAKES-Algorithmus stellt ein Reinforcement-Learning-Framework vor und erreicht erstmals eine differenzierbare Rückpropagation der Belohnung für vollständig generierte Trajektorien in einem diskreten Diffusionsmodell.
Feinabstimmung diskreter Diffusionsmodelle durch Belohnungsoptimierung mit Anwendungen im DNA- und Proteindesign
*QuelleICLR 2025
*AutorForscher des MIT, der Harvard University, der Stanford University, der UC Berkeley und von Genentech, einem US-amerikanischen Unternehmen für Gentechnik.
*Papier:
https://doi.org/10.48550/arXiv.2410.13643
Maschinelles Lernen unterstützte Ultraviolett-Absorptionsspektroskopie: Entwicklung eines auf SVM basierenden Modells zur Erkennung mikrobieller Kontaminationen.
Maschinelles Lernen unterstützte UV-Absorptionsspektroskopie zur Bestimmung mikrobieller Kontaminationen in Zelltherapieprodukten
*Quelle：Wissenschaftliche Berichte
*AutorEin gemeinsames Forschungsteam des Singapore-MIT Research Consortium, des A*SRL Lab in Singapur, der National University of Singapore und des MIT.
*Papier:
https://doi.org/10.1038/s41598-024-83114-y
Ein neues Paradigma für das Protein-Vortraining: Die Evolution von Proteinfamilien entschlüsseln
Steuerung des Proteinfamiliendesigns durch Profil-Bayesian-Flow
*QuelleICLR 2025
*AutorDie AIR GenSI-Forschungsgruppe an der Tsinghua-Universität, in Zusammenarbeit mit der Fakultät für Pharmazeutische Wissenschaften der Tsinghua-Universität
*Papier:
Die Boltzmann-Alignment-Technologie sagt die freie Bindungsenergie von Proteinen bis zum Stand der Technik (SOTA) voraus.
Boltzmann-ausgerichtetes inverses Faltungsmodell als Prädiktor für Mutationseffekte auf Protein-Protein-Interaktionen
*QuelleICLR 2025
*AutorDas Team von Professor Shen Chunhua von der Fakultät für Informatik und Technologie der Zhejiang-Universität arbeitet unter anderem mit Teams der Universität Adelaide in Australien und der Northeastern University in den Vereinigten Staaten zusammen.
*Papier:
https://arxiv.org/abs/2410.09543
Die Modellparameter von Proteina übertreffen die von RFdiffusion um das Fünffache und erreichen damit eine Leistung auf dem neuesten Stand der Technik (SOTA) beim De-novo-Design von Proteinrückgraten.
Proteina: Skalierung flussbasierter generativer Modelle für Proteinstrukturen
*QuelleICLR 2025 mündlich
*AutorEin Forschungsteam von NVIDIA, dem Quebecer Institut für Künstliche Intelligenz Mila, der Universität Montreal und dem MIT
*Papier:
https://openreview.net/forum?id=TVQLu34bdw&nesting=2&sort=date-desc
Das UniGEM-Modell ist das erste, das eine kollaborative Verbesserung zweier Aufgaben auf Basis eines Diffusionsmodells erreicht.
UniGEM: Ein einheitlicher Ansatz zur Generierung und Eigenschaftsvorhersage von Molekülen
*QuelleICLR 2025
*AutorTeam der Tsinghua-Universität und der Chinesischen Akademie der Wissenschaften
*Papier:
https://openreview.net/pdf?id=Lb91pXwZMR
Die RF-Diffusion entwickelt sich weiter und erreicht Präzision auf atomarer Ebene bei der Entwicklung neuer Antikörper.
Atomar präzises Design von Antikörpern mittels RF-Diffusion
*Quelle:bioRxiv
*AutorDavid Bakers Team und Mitarbeiter
*Interpretation:Neue Erfolge vom David Baker-Team! RFdiffusion entwickelt sich weiter, um ein De-novo-Antikörperdesign mit atomarer Präzision zu erreichen
*Papier:
https://doi.org/10.1101/2024.03.14.585103
Das erste Fusionsschema für Protein-RNA-Sprachmodelle, kombiniert mit einer Affinitätsvorhersage, setzt einen neuen, hochmodernen Standard.
CoPRA: Verknüpfung domänenübergreifender, vortrainierter Sequenzmodelle mit komplexen Strukturen zur Vorhersage der Protein-RNA-Bindungsaffinität
*Quelle: arXiv
*AutorEin gemeinsames Team der Tsinghua-Universität, des University College London, der Monash-Universität und der Universität für Post und Telekommunikation Peking
*Papier:
https://arxiv.org/abs/2409.03773
Das Celcomen-Modell ermöglicht erstmals eine identifizierbare Kausalanalyse in der räumlichen Transkriptomanalyse.
Abschätzung des Einzelzell- und Gewebeperturbationseffekts in der räumlichen Transkriptomik mittels räumlicher kausaler Entflechtung
*QuelleICLR 2025
*AutorForschungsteam der Universität Cambridge
*Papier:
https://openreview.net/forum?id=Tqdsruwyac
Die AlphaFold-Metainference-Methode sagt ungeordnete Mengen von Proteinstrukturen präzise voraus.
AlphaFold-Vorhersage von Struktur-Ensembles ungeordneter Proteine
*Quelle：Nature Communications
*AutorForschungsteam der Universität Cambridge
*Papier:
https://www.nature.com/articles/s41467-025-56572-9
Der RNA-Strukturvorhersagealgorithmus der zweiten Generation übertrifft in mehreren Benchmark-Tests den Stand der Technik (SOTA).
Ab-initio-RNA-Strukturvorhersage mit einem zusammengesetzten Sprachmodell und entrauschtem End-to-End-Lernen
*Quelle:bioRxiv
*AutorDas Team von Professor Yang Zhang an der National University of Singapore
*Papier:
https://www.biorxiv.org/content/10.1101/2025.03.05.641632v1
Ein innovatives 4D-Diffusionsmodell, kombiniert mit Daten aus Molekulardynamiksimulationen, kann gleichzeitig Proteintrajektorien zu mehreren Zeitpunkten vorhersagen.
4D-Diffusion zur dynamischen Vorhersage von Proteinstrukturen mit Referenz- und Bewegungsführung
*Quelle: arXiv
*AutorForschungsteams der Fudan-Universität, des Shanghai Institute of Intelligent Science and Technology und der Nanjing-Universität
*Papier:
https://arxiv.org/abs/2408.12419
PepPrCLIP löst das Problem der "nicht medikamentös behandelbaren" Peptide, indem es Peptide erzeugt, die fast immer besser zum Zielprotein passen.
De novo-Design von Peptidbindern für konformationell unterschiedliche Ziele mit kontrastiver Sprachmodellierung
*Quelle：Wissenschaftliche Fortschritte
*AutorForschungsteam der Duke University
*Papier:
https://www.science.org/doi/10.1126/sciadv.adr8638
MOLRL optimiert Zielmoleküle mithilfe von Reinforcement Learning und erreicht dabei eine Erfolgsquote von bis zu 100 % (TP3T).
Gezielte Molekülgenerierung mit latentem Verstärkungslernen
*QuelleChemRxiv
*AutorCellaire und das Forschungsteam von Nvidia
*Papier:
Das E2VD-Framework, ein evolutionsgetriebenes Vorhersagemodell für Virusmutationen, verbessert die Vorhersagegenauigkeit um 671 TP3T.
Ein einheitliches, evolutionsgetriebenes Deep-Learning-Framework zur Vorhersage von Virusvariationstreibern
*QuelleNatürliche maschinelle Intelligenz
*AutorProfessor Tian Yonghong und Associate Professor Chen Jie von der School of Information Engineering der Peking-Universität betreuten in Zusammenarbeit mit dem Forscher Zhou Peng vom Guangzhou National Laboratory unter anderem den Doktoranden Nie Zhiwei und den Masterstudenten Liu Xudong.
*Papier:
https://www.nature.com/articles/s42256-024-00966-9
KI+ Gesundheitswesen
Im Vergleich zu proprietären Modellen wie GPT-4 zeigen Gesundheitsagenten eine höhere Eigeninitiative und Relevanz bei Patientengesprächen.
Gesundheitsagent: Nutzung des Potenzials großer Sprachmodelle für die medizinische Beratung
*Quelle：Natur Künstliche Intelligenz
*AutorForschungsteams der Wuhan-Universität und der Nanyang Technological University
*Papier:
Die multivariate Analysemethode von ICA-Var, die auf Gensequenzierung und maschinellem Lernen für die epidemiologische Abwasserbewertung basiert, kann Viren bis zu 4 Wochen früher erkennen.
Früherkennung neu auftretender SARS-CoV-2-Varianten aus Abwasser durch Genomsequenzierung und maschinelles Lernen
*Quelle：Nature Communications
*AutorForschungsteam an der Universität von Nevada, Las Vegas
*Papier:
https://www.nature.com/articles/s41467-025-61280-5
Medical GraphRAG stellt einen neuen Rekord für die Genauigkeit der Fragebeantwortung auf und erzielt auf 11 Datensätzen Ergebnisse auf dem neuesten Stand der Technik (SOTA).
Medical Graph RAG: Auf dem Weg zu einem sicheren medizinischen Großsprachmodell durch graphenbasierte Abruf-gestützte Generierung
*QuelleACL 2025
*AutorEin gemeinsames Team der Universität Oxford, der Carnegie Mellon University und der Universität Edinburgh
*Papier:
REVERIE, das erste VR-Bewegungsinterventionssystem, verändert die Gehirn-Körper-Geist-Gesundheit von Teenagern.
Adaptives KI-basiertes Virtual-Reality-Sportsystem für übergewichtige Jugendliche: eine randomisierte kontrollierte Studie
*Quelle：Naturmedizin
*AutorDie Forschungsteams von Professor Li Huating vom Sechsten Volkskrankenhaus der Medizinischen Fakultät/Institut für Proaktive Gesundheitsstrategie und -entwicklung der Shanghai Jiao Tong Universität und Professor Sheng Bin von der Fakultät für Informatik und Technologie/Schlüssellabor für Künstliche Intelligenz des Bildungsministeriums an der Shanghai Jiao Tong Universität haben im Rahmen einer interdisziplinären medizintechnischen Forschung mit den Teams von Forscher Wang Jihong von der Shanghai University of Sport, Professor Zeng Rong von der ShanghaiTech University/Shanghai Clinical Research Center und Professor Lin Shuide von der National University of Singapore zusammengearbeitet.
*Papier:
https://www.nature.com/articles/s41591-025-03724-5
Die NeuralCohort-Methode ermöglicht eine detaillierte Modellierung von Patientenkohorten auf Basis mehrdimensionaler EHR-Daten und verbessert die Genauigkeit der Krankenhausaufenthaltsprognose um 16,31 TP3T.
NeuralCohort: Kohortenbasiertes neuronales Repräsentationslernen für die Gesundheitsanalytik
*QuelleICML 2025
*AutorNationale Universität von Singapur in Zusammenarbeit mit der Zhejiang-Universität
*Papier:
https://openreview.net/forum?id=bqQVa6VRvm
Das weltweit erste klinische Mindmapping-Modell im Bereich HIE, das eine Leistungsverbesserung von 15% bei der Vorhersage neurokognitiver Ergebnisse erzielt.
Visuelles und fachliches Wissen für professionelles medizinisches Denken mittels Graph-of-Thought
*QuelleICML 2025
*AutorEin interdisziplinäres Team der Harvard Medical School, des Boston Children's Hospital, der New York University und des MIT-IBM Watson Lab.
*Papier:
https://openreview.net/forum?id=tnyxtaSve5
HDMIL ist ein Framework für hierarchisches Destillieren und Multi-Instanz-Lernen zur schnellen Verarbeitung von Gigapixel-Bildern pathologischer Gewebeschnitte.
Schnelle und präzise Klassifizierung pathologischer Gigapixel-Bilder mittels hierarchischer Destillation und Multi-Instanz-Lernen
*QuelleCVPR 2025
*AutorTeam von Professor Jiang Junjun, Associate Professor Jiang Kui und Professor Zhang Yongbing vom Harbin Institute of Technology
*Papier:
Das Basismodell vesselFM, das speziell für die 3D-Blutgefäßsegmentierung entwickelt wurde, kann in Zero-Shot-, Single-Shot- und Few-Shot-Szenarien Segmentierungs- und Generalisierungsfähigkeiten erzielen, die den derzeitigen State-of-the-Art-Modellen überlegen sind.
vesselFM: Ein Grundlagenmodell für die universelle 3D-Blutgefäßsegmentierung
*QuelleCVPR 2025
*AutorForscher der Universität Zürich, der ETH Zürich und der Technischen Universität München
*Papier:
Das auf 8 Millionen realen Datensätzen basierende, graphenkodierte hybride Überlebensmodell identifiziert Subphänotypen mit konsistenten Eigenschaften und Überlebensergebnissen.
Identifizierung prädiktiver Subphänotypen für klinische Ergebnisse unter Verwendung von Real-World-Daten und maschinellem Lernen
*Quelle：Naturkommunikation
*AutorCornell University und Regeneron Pharmaceuticals
*Papier:
https://doi.org/10.1038/s41467-025-59092-8
Durch die Integration strategischer KI-Modelle kann eine präzise Vorhersage des Mortalitätsrisikos bei septischem Schock in mehreren Zentren und Fachbereichen erreicht werden.
Künstliche Intelligenz-basierte, fachübergreifende Mortalitätsvorhersagemodelle für septischen Schock in einer multizentrischen retrospektiven Studie
*Quelle:npj digitale Medizin
*AutorForschungsteam des Tongji-Krankenhauses und der Fakultät für Pharmazeutisches und Gesundheitsmanagement, Tongji Medical College, Huazhong University of Science and Technology
*Papier:
Zwei neuartige Krebsvorhersagealgorithmen, die auf Blutindikatoren basieren, ermöglichen die Früherkennung von 15 Krebsarten.
Entwicklung und externe Validierung von Vorhersagealgorithmen zur Verbesserung der Früherkennung von Krebs
*Quelle：Nature Communications
*AutorForschungsteam der Queen Mary University of London und der Universität Oxford
*Papier:
Das Multi-Agenten-Dialog-Framework (MAC) verbessert die Diagnosefähigkeiten von LLMs signifikant.
Verbesserung der Diagnosefähigkeit mit Multi-Agenten-Konversationsmodellen für große Sprachen
*Quelle:npj digitale Medizin
*AutorTeams des Sichuan University West China Hospital, des West China Biomedical Big Data Center, der Zhejiang University School of Medicine, der Beijing University of Posts and Telecommunications usw.
*Papier:
https://www.nature.com/articles/s41746-025-01550-0#Tab6
Das erste vollmodale medizinische Bildwiedererkennungsframework erzielt auf 11 Datensätzen eine State-of-the-Art-Leistung (SOTA).
Hin zu einer umfassenden medizinischen Bildwiedererkennung
*Quelle:
*AutorDas Shanghai Artificial Intelligence Laboratory arbeitet mit mehreren renommierten Universitäten zusammen
*Papier:
https://arxiv.org/pdf/2503.08173
Das Many-to-One-Regressionsmodell M2OST verwendet digitale pathologische Bilder, um die Genexpression präzise vorherzusagen.
M2OST: Viele-zu-Eins-Regression zur Vorhersage räumlicher Transkriptomik aus digitalen Pathologiebildern
*QuelleAAAI 2025
*AutorDas Forschungsteam von Professor Lin Lanfen von der Zhejiang-Universität in China arbeitet in Zusammenarbeit mit dem Zhejiang Hangzhou Zhijiang Laboratory und der Ritsumeikan-Universität in Japan.
*Papier:
https://arxiv.org/abs/2409.15092
Das MindGlide-Modell ermöglicht die Quantifizierung von Läsionen bei Multipler Sklerose.
Neue Erkenntnisse aus alten Scans ermöglichen, indem klinische MRT-Archive für die Multiple-Sklerose-Forschung wiederverwendet werden
*Quelle：Nature Communications
*AutorTeam des University College London
*Interpretation:Um den Wert klinischer MRT-Daten zu maximieren, schlug das UCL-Team das MindGlide-Modell zur Quantifizierung von Multiple-Sklerose-Läsionen vor
*Papier:
https://www.nature.com/articles/s41467-025-58274-8
Die weltweit ersten prospektiven, praxisnahen Erkenntnisse über die tatsächliche Wirksamkeit großer Modelle bei der Unterstützung der Ausbildung von Hausärzten.
Große Sprachmodelle für das Diabetes-Training: eine prospektive Studie
*QuelleWissenschaftsbulletin
*AutorDas Team um Professor Sheng Bin von der Shanghai Jiao Tong Universität hat sich in Zusammenarbeit mit dem Team um Professor Mao Lijuan von der Shanghai University of Sport, dem Team um Professor Huang Tianyin von der Tsinghua Universität und dem Team um Professor Jia Weiping vom Shanghai Diabetes Institute sowie anderen multidisziplinären Kräften mit führenden internationalen Universitäten und Forschungseinrichtungen wie der Duke University, der Johns Hopkins University und der University of Melbourne zusammengetan.
*Papier:
https://www.sciencedirect.com/science/article/pii/S2095927325000891
Der Deep-Learning-Algorithmus von AcneDGNet erzielt eine Genauigkeit, die die von jungen Dermatologen weit übertrifft und die Erkennung und Einstufung von Akne-Läsionen ermöglicht.
Evaluierung eines Modells zur Erkennung und Schweregradeinteilung von Akne-Läsionen für die chinesische Bevölkerung in Online- und Offline-Gesundheitsversorgungsszenarien
*Quelle：Wissenschaftliche Berichte
*AutorHan Gangwen und sein Team von der Abteilung für Dermatologie des Peking University International Hospital
*Papier:
https://www.nature.com/articles/s41598-024-84670-z
Ein multimodales medizinisches Bildsegmentierungsmodell ermöglicht die automatische Segmentierung und Interaktion von 3D-Bildern.
VISTA3D: Ein einheitliches Fundamentmodell für die 3D-medizinische Bildgebung
*Quelle: arXiv
*AutorNvidia hat in Zusammenarbeit mit der University of Arkansas School of Medicine, den National Institutes of Health und der Universität Oxford ein Projekt entwickelt.
*Papier:
https://doi.org/10.48550/arxiv.2406.05285
Die präzise Segmentierung von Herzstrukturen in der mehrplanaren Echokardiographie reduziert effektiv Redundanz.
EchoONE: Segmentierung mehrerer Echokardiographie-Ebenen in einem Modell
*QuelleCVPR 2025
*AutorLabor für medizinische Ultraschallbildverarbeitung, Fakultät für Biomedizintechnik, Medizinische Fakultät, Universität Shenzhen
*Papier:https://arxiv.org/abs/2412.02993
MedFoundation ist derzeit das größte biomedizinische Sprachmodell mit der größten Anzahl an Parametern.
Ein allgemeines medizinisches Sprachmodell zur Unterstützung der Krankheitsdiagnose
*Quelle：Naturmedizin
*AutorUniversität für Post und Telekommunikation Peking, Drittes Krankenhaus der Universität Peking, Drei-Schluchten-Universität
*Papier:https://www.nature.com/articles/s41591-024-03416-6
Ein allgemeines Rahmenwerk für die kontrastgesteuerte Segmentierung medizinischer Bilder.Erreichen einer präzisen Segmentierung medizinischer Bilder
ConDSeg: Ein allgemeines Framework zur Segmentierung medizinischer Bilder mittels kontrastgesteuerter Merkmalsverbesserung
*QuelleAAAI 2025
*AutorChinesische Universität für Geowissenschaften, Baidu
*Papier:
https://arxiv.org/abs/2412.08345
Es ist auf dem neuesten Stand der Technik und deckt neun Benchmark-Datensätze ab, die zwei Infektionskrankheiten und vierzehn nicht-infektiöse Krankheiten umfassen.
Ein multimodales, domänenübergreifendes, mehrsprachiges medizinisches Grundlagenmodell für die klinische Null-Schuss-Diagnose
*QuelleNaturportfolio
*AutorUniversität Oxford, Amazon, Universität Rochester, GlaxoSmithKline, Westlake University Medical Artificial Intelligence Laboratory
*Papier:
https://www.nature.com/articles/s41746-024-01339-7
Die Klassifizierungsgenauigkeit erreichte 971 TP3T und lag damit deutlich über den 821 TP3T der menschlichen Beobachter.
Deep Learning versus menschliche Gutachter: Forensische Geschlechtsbestimmung anhand dreidimensionaler Computertomographie-Scans
*Quelle：Wissenschaftliche Berichte
*AutorUniversität von Westaustralien, Universität von New South Wales und Hasanuddin-Universität, Indonesien
*Papier:
https://www.nature.com/articles/s41598-024-81718-y
Bidirektionale schrittweise Merkmalsausrichtung für die Fusion falsch ausgerichteter medizinischer Bilder
BSAFusion: Ein bidirektionales, schrittweises Merkmalsausrichtungsnetzwerk für die Fusion nicht ausgerichteter medizinischer Bilder
*QuelleAAAI 2025
*AutorKunming University of Science and Technology, Ocean University of China
*Papierhttps://arxiv.org/abs/2412.08050 Ein neuartiges hierarchisches Multiagenten-Framework, das 362 häufige Krankheiten abdeckt.
KG4Diagnosis: Ein hierarchisches Multiagenten-LLM-Framework mit Wissensgraphenerweiterung für die medizinische Diagnostik
*QuelleAAAI-25 Brückenprogramm
*AutorUniversität Warwick, Cranfield University, Universität Cambridge, Universität Oxford
*Papier:https://arxiv.org/abs/2406.05285
KI + Materialchemie
Mit weniger als 100.000 trainierten Strukturdatenpunkten erreicht PET-MAD eine Genauigkeit bei der atomaren Simulation, die mit der professioneller Modelle vergleichbar ist.
PET-MAD als leichtes, universelles interatomares Potential für die Modellierung fortschrittlicher Materialien
*Quelle：Nature Communications
*AutorÉcole Polytechnique Fédérale de Lausanne, Schweiz
*Papier:
https://www.nature.com/articles/s41467-025-65662-7
Durch die Halbierung der Rechenkosten wird die Formalisierung des menschlichen chemischen Denkens in einen maschinenverständlichen Rahmen ermöglicht.
ChemOntologie: Eine wiederverwendbare, explizite, auf chemischer Ontologie basierende Methode zur Beschleunigung der Suche nach Reaktionswegen
*QuelleACS Katalyse
*AutorUniversität Hokkaido, Japan
*Papier:
https://pubs.acs.org/doi/10.1021/acscatal.5c06298
MOF-ChemUnity: Ein strukturierter, skalierbarer und erweiterbarer Wissensgraph
MOF-ChemUnity: Literaturbasierte große Sprachmodelle für die Forschung an metallorganischen Gerüstverbindungen
*Quelle：ACS-Publikationen
*Autor:Universität Toronto, Kanada; Forschungszentrum für Innovationen im Bereich saubere Energie, Nationaler Forschungsrat von Kanada
*Papier:
https://pubs.acs.org/doi/10.1021/jacs.5c11789
Integration des globalen Aufmerksamkeitsmechanismus von Graphermer mit CGCNN
CGformer: Transformer-basiertes Kristallgraphennetzwerk mit globaler Aufmerksamkeit zur Vorhersage von Materialeigenschaften
*QuelleGegenstand
*AutorLabor für Künstliche Intelligenz und Mikrostruktur der Shanghai Jiao Tong Universität
*Papier:
https://www.cell.com/matter/abstract/S2590-2385(25)00423-0
FASTSOLV-Modell: Vorhersage der Löslichkeit kleiner Moleküle bei beliebigen Temperaturen
Datengetriebene Vorhersage der organischen Löslichkeit an der Grenze aleatorischer Unsicherheit
*Quelle：Naturkommunikation
*AutorMassachusetts Institute of Technology
*Papier:
https://www.nature.com/articles/s41467-025-62717-7
Die unmittelbar nach der MOF-Synthese verfügbaren Informationen werden genutzt, um deren potenzielle Leistungsfähigkeit und Anwendungsmöglichkeiten vorherzusagen.
Verknüpfung der Synthese metallorganischer Gerüstverbindungen mit Anwendungen durch multimodales maschinelles Lernen
*Quelle：Nature Communications
*AutorUniversität von Toronto, Kanada
*Papier:
https://www.nature.com/articles/s41467-025-60796-0
Zum ersten Mal wurde ein einheitliches Rahmenwerk entwickelt, das in der Lage ist, die drei Hauptmodalitäten des Metamaterialdesigns gleichzeitig zu handhaben.
UNIMATE: Ein einheitliches Modell zur Erzeugung mechanischer Metamaterialien, zur Vorhersage von Eigenschaften und zur Zustandsbestätigung
*QuelleICML 2025
*AutorVirginia Tech, Meta AI
*Papier:
GeMS, der weltweit größte Massenspektrometrie-Datensatz, umfasst 200 Millionen Molekülmassenspektren.
Selbstüberwachtes Lernen molekularer Darstellungen aus Millionen von Tandem-Massenspektren mit DreaMS
*QuelleNature Biotechnology
*AutorInstitut für Organische Chemie und Biochemie, Tschechische Akademie der Wissenschaften
*Papier:
Gleichzeitiges Lernen des generalisierten Potentials und seiner Antwortfunktion auf externe Reize in einem einzigen maschinellen Lernmodell.
Einheitliches differenzierbares Lernen der elektrischen Reaktion
*Quelle：Nature Communications
*AutorHarvard University, Robert Bosch LLC
*Papier:
Auf Basis der LLM-Methode wurde die chemische Zusammensetzung von 14.000 Materialien aus 88.000 Artikeln extrahiert.
Datengestütztes Materialscreening von sekundären und natürlichen zementären Vorläufern
*QuelleKommunikationsmaterialien
*AutorMassachusetts Institute of Technology (MIT)
*Papier:
Kombination einer umfassenden SSE-Datenbank mit LLM und ab initio metadynamischen Simulationen
Entschlüsselung der Komplexität zweiwertiger Hydrid-Elektrolyte in Festkörperbatterien mittels eines datengetriebenen Frameworks mit großem Sprachmodell
*Quelle：Angewandte Chemie – Internationale Ausgabe
*AutorUniversität Tohoku (Japan), Sichuan-Universität (China), Shibaura Institute of Technology (Japan)
*Papier:
Suche nach Ionenisotopenverteilungen in hochauflösenden Mehrkomponenten-Massenspektrometrie-Datenbanken auf TB-Ebene.
Entdeckung organischer Reaktionen durch maschinelles Lernen bei der Entschlüsselung von Massenspektrometriedaten im Terameterbereich
*Quelle：Nature Communications
*AutorRussische Akademie der Wissenschaften
*Papier:
PXRDnet, eine generative Methode zur Strukturanalyse mittels künstlicher Intelligenz basierend auf einem Diffusionsmodell
Ab-initio-Strukturlösungen aus nanokristallinen Pulverdiffraktionsdaten mittels Diffusionsmodellen
*QuelleNaturmaterialien
*AutorColumbia University, Stanford University
*Papier:
Mithilfe von maschinellem Lernen wurden erfolgreich zehn verschiedene Arten von lichtgetriebenen organischen Kristallen hergestellt.
Maschinelles Lernen zur Optimierung der Ausgangskraft in photoaktivierten organischen Kristallen
*QuelleDigitale Entdeckung
*AutorWaseda-Universität, Japan
*Papier:
Die elektroakustische Wechselwirkung von Metallen wurde erfolgreich vorhergesagt, wodurch die Effizienz um das Fünffache gesteigert werden konnte.
Beschleunigung der Supraleiter-Entdeckung durch temperiertes Deep Learning der Elektron-Phonon-Spektralfunktion
*Quelle: npj Computergestützte Materialien
*AutorUniversität von Florida, Universität von Tennessee
*Papier:
https://www.nature.com/articles/s41524-024-01475-4
Die Gradient Boosting Decision Tree-Technologie wird eingesetzt, um eine hochpräzise Vorhersage der antioxidativen Eigenschaften von RHEAs und RCCAs zu erreichen.
Weiterentwicklung der Entwicklung hochschmelzender Legierungen mit hoher Entropie durch KI-gestützte Vorhersagemodelle für die Oxidationsbeständigkeit bei hohen Temperaturen
*QuelleScripta Materialia
*AutorUniversität Bordeaux, Frankreich; Nationales Institut für Materialwissenschaften, Japan; Nationale Tsing-Hua-Universität, Taiwan; KU Leuven, Belgien; WEL-Institut, Belgien
*Papier:
https://doi.org/10.1016/j.scriptamat.2024.116394
Durch die Kombination lokaler Nachrichtenübermittlungs- und globaler Aufmerksamkeitsmechanismen lassen sich molekulare photoelektrische Eigenschaften präzise vorhersagen.
RingFormer: Ein ringverstärkter Graphentransformator zur Vorhersage der Eigenschaften organischer Solarzellen
*QuelleAAAI 2025
*AutorHong Kong Polytechnic University
*Papier:
https://doi.org/10.48550/arXiv.2412.09030
Eine anorganische retrosynthetische Planungsmethode hat die Effizienz und Genauigkeit der Synthese anorganischer Materialien erfolgreich verbessert.
Retrieval-Retro: Retrieval-basierte anorganische Retrosynthese mit Expertenwissen
*QuelleNeurIPS 2024
*AutorKoreanisches Institut für Chemische Technologie, Koreanisches Institut für Fortgeschrittene Wissenschaft und Technologie
*Papier:
https://doi.org/10.48550/arXiv.2410.21341
Auf Grundlage des Diffusionsmodells wird die Struktur entsprechend der räumlichen Zielgruppe generiert.
Ein generatives Modell für die Entwicklung anorganischer Materialien
*Quelle:Natur
*Autor:Microsoft
*Papier:
https://www.nature.com/articles/s41586-025-08628-5
KI + Landwirtschaft, Forstwirtschaft und Tierhaltung
Mit einer Abdeckung von fast 15.000 Arten setzt es einen neuen, hochmodernen Standard für die bioakustische Klassifizierung und Detektion.
Barsch 2.0: Die Rohrdommel-Lektion für die Bioakustik
*Quelle: arXiv
*Autor：Google DeepMind, Google Research
*Papier:
https://arxiv.org/abs/2508.04665
Zum ersten Mal werden 219 neuartige Sequenzdeskriptoren, die auf mathematischen Theorien wie der Fourier-Transformation und der Shannon-Entropie basieren, in den Merkmalsraum integriert.
PlantLncBoost: Schlüsselfunktionen für die Identifizierung pflanzlicher lncRNAs und signifikante Verbesserung der Genauigkeit und Generalisierbarkeit
*QuelleNeuer Phytologe
*AutorTechnische Universität Shandong, Forstuniversität Peking, Guangdong Akademie der Agrarwissenschaften, Universität São Paulo (Brasilien), Rosalind Franklin Universität (Großbritannien) und Universität Umeå (Schweden)
*Papier:
KI+ Meteorologische Forschung
Das kollaborative Designproblem der „progressiven Rauschplanung“ und der „Gewichtung von Zeitverlusten“ wurde gelöst.
Erläuterte rollierende Diffusionsmodelle für die probabilistische Wettervorhersage
*QuelleNeurIPS 2025
*Autor:Nvidia, Universität von Kalifornien, San Diego
*Papier:
https://doi.org/10.48550/arXiv.2506.20024
Ein neuartiges Potentialdiffusionsmodell kann für hochpräzise probabilistische sub-saisonale bis saisonale Wettervorhersagen verwendet werden.
OmniCast: Ein maskiertes latentes Diffusionsmodell für die Wettervorhersage über verschiedene Zeitskalen hinweg
*QuelleNeurIPS 2025
*AutorUCLA, Argonne National Laboratory
*Papier:
Das hyperlokale Vorhersagemodell ermöglicht die Vorhersage der meisten Starkregenereignisse mehrere Tage im Voraus.
Hyperlokale Extremniederschlagsvorhersagen in Mumbai: Downscaling-Ansatz mittels Transferlernen auf Basis konvolutioneller neuronaler Netze
*QuelleSSRN
*Autor:Indisches Institut für Technologie in Bombay, Universität von Maryland
*Papier:
ACE2 kann in nur 2 Minuten eine 4-monatige Saisonprognose erstellen.
Treffsichere globale saisonale Vorhersagen mithilfe eines auf Reanalysedaten trainierten maschinellen Lernwettermodells.
*Quelle: npj Klima- und Atmosphärenwissenschaft
*Autor: UK Exeter Hadley Centre Met Office, University of Exeter, Allen Institute for Artificial Intelligence (Ai2)
*Interpretation:Maschinelles Lernen vs. dynamische Modelle, die neueste Forschung von Ai2: ACE2 kann eine 4-monatige Saisonprognose in nur 2 Minuten erstellen
*Papier:
Ein probabilistisches maschinelles Lernsystem zur Wettervorhersage, das sphärische Signalverarbeitung mit einem Hidden-Markov-Ensemble-Framework kombiniert.
FourCastNet 3: Ein geometrischer Ansatz für probabilistisches maschinelles Lernen zur Wettervorhersage im großen Maßstab
*Quelle: arXiv
*AutorNvidia, Lawrence Berkeley National Laboratory, University of California, Berkeley, California Institute of Technology
*Papier:
https://arxiv.org/pdf/2507.12144
Hochpräzise Wettervorhersagen lassen sich auch ohne die Verwendung herkömmlicher numerischer Wettervorhersagemodelle erzielen.
End-to-End-datengesteuerte Wettervorhersage
*Quelle:Natur
*AutorUniversität Cambridge, Turing-Institut, Universität Toronto, Microsoft Research Centre for Scientific Intelligence, Europäisches Zentrum für mittelfristige Wettervorhersage, British Antarctic Survey, Google DeepMind
*Papier:
https://www.nature.com/articles/s41586-025-08897-0
KI + Astronomie
Mithilfe von Convolutional Neural Networks konnten sieben hochwertige Quasar-Lensing-Kandidaten erfolgreich identifiziert werden.
Quasare, die als starke Linsen wirken, wurden in DESI DR1 entdeckt.
*Quelle: arXiv
*AutorStanford University, SLAC National Accelerator Laboratory, Peking University, Brera-Observatorium des Italienischen Nationalen Instituts für Astrophysik, University College London, University of California, Berkeley
*Papier:
https://arxiv.org/abs/2511.02009
AION-1: Die erste groß angelegte multimodale Fundamentalmodellfamilie für die Astronomie
AION-1: Omnimodales Fundamentmodell für astronomische Wissenschaften
*QuelleNeurIPS 2025
*AutorUniversität von Kalifornien, Berkeley, Universität Cambridge, Universität Oxford usw.
*Papier:
