HyperAl hat vom 22. bis 27. Februar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie OCR, multimodale Verfahren und große Sprachmodelle abdecken.

Ein gemeinsames Forschungsteam der Universität Helsinki (Finnland), des Mediterranean Climate Change Research Centre und der Universität Salento (Italien) hat SeaCast entwickelt, ein Graph-Neuronales-Netzwerk-Modell speziell für die regionale Ozeanvorhersage. Nach dem Training kann dieses Modell auf einer einzelnen GPU in nur 20 Sekunden eine 15-Tage-Vorhersage für 18 vertikale Ebenen mit einer Auflösung von 1/24° erstellen – deutlich schneller als physikalische Basismodelle auf CPU-Clustern.

Ein Forschungsteam der Cornell University hat mit SCAN ein robustes, interpretierbares und dateneffizientes Framework zur Modellierung und Interpretation der Salz-Lösungsmittel-Chemie entwickelt. Dieses Framework verarbeitet effektiv Daten mit langen Ausläufern und erfasst das gesamte Spektrum an Salz-Lösungsmittel-Formulierungen. Die Forscher wandten SCAN auf nicht-wässrige Elektrolytsysteme (NAE) an und erzielten einen Basisfehler von 0,372 mS·cm⁻¹ bei der Leitfähigkeitsvorhersage. Dies entspricht einer Reduzierung des Vorhersagefehlers um 65,31 TP³T im Vergleich zum Basismodell.

Professor Tzu-Yu Song von der University of Michigan, Ann Arbor, hat in Zusammenarbeit mit Wei-Ran Jiang, Vizepräsident für Forschung und Entwicklung bei Farasis Energy, eine innovative wissenschaftliche Methode des maschinellen Lernens namens „Discovery Learning“ vorgeschlagen. Inspiriert von der pädagogischen Psychologie integriert diese Methode auf organische Weise aktives Lernen, physikalisch eingeschränktes Lernen und Zero-Shot-Learning, um ein menschenähnliches, geschlossenes Lernmodell für logisches Denken zu konstruieren.

Ein kurzer Überblick über die wichtigsten und wegweisenden Veröffentlichungen im Bereich KI für die Wissenschaft im Jahr 2025.

WorldArena, ein Projekt von Institutionen wie der Tsinghua-Universität, der Peking-Universität, der Universität Hongkong, der Princeton-Universität, der Chinesischen Akademie der Wissenschaften, der Shanghai Jiao Tong Universität, der Universität für Wissenschaft und Technologie Chinas und der Nationalen Universität Singapur, integriert als erstes die Qualität der Videogenerierung mit der Funktionalität der verkörperten Aufgabe und schafft so einen vollständigen Bewertungsrahmen von „sieht realistisch aus“ bis „ist wirklich nutzbar“.

Wir suchen noch Teilnehmer für den geschlossenen Betatest, die eine maximale Belohnung von 200 Yen erhalten.

Erfahrungen aus der Praxis von HyperAI-Nutzern

„DeepSeek-OCR 2: Visueller Kausalfluss“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar. Laden Sie einfach Ihr Bild hoch, um eine präzise OCR-Texterkennung zu erhalten. Probieren Sie es aus!

Ein Forschungsteam des Fachbereichs Informatik am University College London (UCL) hat ein föderiertes Lernverfahren zur Analyse der Leukozytenmorphologie entwickelt. Dieses ermöglicht es Institutionen, gemeinsam zu trainieren, ohne Trainingsdaten austauschen zu müssen. Anhand von Blutausstrichen aus verschiedenen klinischen Einrichtungen lernt das föderierte Modell robuste und domäneninvariante Merkmalsdarstellungen unter vollständiger Wahrung des Datenschutzes. Im Vergleich zum zentralisierten Training zeigt das föderierte Training eine überlegene Leistung über verschiedene Einrichtungen hinweg und lässt sich auf unbekannte Institutionen übertragen.

Ein Forschungsteam von Microsoft Research, der University of Washington und Providence Genomics hat GigaTIME entwickelt, ein multimodales KI-Framework. Dieses Framework, basierend auf fortschrittlichen multimodalen Lernverfahren, generiert virtuelle mIF-Karten aus herkömmlichen H&E-gefärbten Gewebeschnitten. Das Forschungsteam wandte es auf eine Kohorte von über 14.000 Krebspatienten am Providence Medical Center an, die 24 Krebsarten und 306 Subtypen umfasste. Dabei entstanden fast 300.000 virtuelle mIF-Bilder, wodurch eine systematische Modellierung der Tumor-Immunmikroumgebung in einer großen und heterogenen Population erreicht wurde.

Ein Forschungsteam des MIT, der Technischen Universität München und der Polytechnischen Universität Valencia hat DiffSyn innovativ vorgeschlagen – ein generatives Diffusionsmodell, das mit mehr als 23.000 generativen Rezepten aus der Literatur der letzten 50 Jahre trainiert wurde.

Das Forschungsteam von Polymathic AI hat Walrus vorgestellt, ein fundamentales Modell, das auf der Transformer-Architektur basiert und primär für die Simulation von Kontinuumsdynamiken mit fluidähnlichen Eigenschaften entwickelt wurde. Walrus deckt in seiner Vortrainingsphase 19 sehr unterschiedliche physikalische Szenarien ab, die verschiedene Bereiche wie Astrophysik, Geowissenschaften, Rheologie, Plasmaphysik, Akustik und klassische Fluiddynamik umfassen. Die Ergebnisse zeigen, dass Walrus bisherige fundamentale Modelle sowohl bei kurz- als auch bei langfristigen Vorhersagen für nachgelagerte Aufgaben übertrifft.

Das WeChat-KI-Team von Tencent hat WeDLM vorgestellt, das erste Diffusions-Sprachmodell, das vergleichbare AR-Modelle hinsichtlich der Inferenzgeschwindigkeit unter Optimierung durch eine industrielle Inferenzmaschine (vLLM) übertrifft. Das „WeDLM High-Efficiency Large Language Model Decoding Framework“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar; dieser Artikel bietet eine detaillierte Anleitung.

Wissenschaftler des Oak Ridge National Laboratory des US-Energieministeriums haben eine verteilte, kanalübergreifende hierarchische Aggregationsmethode (D-CHAG) für Basismodelle vorgeschlagen. Diese Methode verteilt den Tokenisierungsprozess und verwendet eine hierarchische Strategie zur Kanalaggregation, wodurch extrem große Modelle auf Mehrkanal-Datensätzen ausgeführt werden können.

2.2-2.6 Ausgewählte KI-Veröffentlichungen

Inspiriert vom neuen Modell von DeepSeek hat das Genos-Team, bestehend aus Forschern von BGI Genomics und dem Zhejiang Zhijiang Laboratory, ein spezielles „Plug-in“ für die Genommodellierung entwickelt: Gengram (Genomic Engram). Mit nur etwa 20 Millionen Parametern hat es die bisherigen Bestleistungen (SOTA) für zahlreiche Genomaufgaben übertroffen und bietet eine revolutionäre Lösung zur Überwindung des Flaschenhalses der Genommodellierung.

HyperAl hat von Version 2.2 bis 2.6 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

HyperAl hat vom 26. bis 30. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Aktuell treiben großflächige, mehrbandige Himmelsdurchmusterungen mit großem Sichtfeld und hoher Bildtiefe die Astronomie in ein beispielloses datenintensives Zeitalter. Mit der Inbetriebnahme von Weltraumteleskopen der nächsten Generation wie dem Euclid-Weltraumteleskop, dem Rubin-Observatorium und dem Roman-Weltraumteleskop wird das Universum systematisch in einem noch nie dagewesenen Umfang und mit noch nie dagewesener Präzision kartiert. Von diesen Beobachtungen wird erwartet, dass sie [...]

Ausgewählte KI-Beiträge (26.-30. Januar)

Das Robotik-Startup Skild AI hat in einer Serie-C-Finanzierungsrunde 1,4 Milliarden US-Dollar eingesammelt und wird damit mit über 14 Milliarden US-Dollar bewertet. Die Runde wurde von der japanischen SoftBank Group angeführt, mit Beteiligung strategischer Investoren wie NVentures (Nvidia), Macquarie Capital und Bezos Expeditions (gegründet von Amazon-Gründer Jeff Bezos). Auch Samsung, LG, Schneider Electric und Salesforce Ventures beteiligten sich.

Ein gemeinsames Forschungsteam von Basecamp Research, NVIDIA und mehreren führenden akademischen Einrichtungen hat die EDEN-Serie metagenomischer Basismodelle entwickelt. Durch die Analyse umfangreicher natürlicher Evolutionsdaten, die verschiedene Arten umfassen und mit Umweltinformationen verknüpft sind, konnten sie erstmals systematisch die tiefgreifende „Grammatik“ und die universellen Prinzipien des biologischen Designs extrahieren.

Die „TRELLIS.2 3D-Generierungsdemo“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Tutorials“ verfügbar. Erleben Sie die effiziente Generierung von 3D-Modellen!

Ein Forschungsteam der University of California entwickelte eine spezielle Photonenfallenstruktur (PTST) auf der Oberfläche einer Standard-Silizium-Photodiode und integrierte ein hochgradig rauschunempfindliches, vollständig vernetztes neuronales Netzwerk. Dieses Netzwerk kann das ursprüngliche Spektrum intelligent berechnen und direkt aus dem vom Bauelement gemessenen Photostromsignal rekonstruieren. Dadurch erzielt das Spektrometer nicht nur ein höheres Signal-Rausch-Verhältnis bei längeren Wellenlängen, sondern übertrifft auch die Gesamtleistung herkömmlicher Silizium-basierter Spektrometer.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Ausgewählte KI-Beiträge (19.-23. Januar)

Dieser Artikel stellt systematisch eine Reihe hochwertiger Datensätze, Online-Tutorials und Fachartikel zum Thema verkörperte Intelligenz zusammen und dient als Grundlage für weiterführendes Lernen und Forschen. Besuchen Sie hyper.ai, um weitere hochwertige Ressourcen zu entdecken!

Ein Forschungsteam der Goethe-Universität hat das „humane E3-Ligase-Genom“ mithilfe von metrischem Lernen klassifiziert. Dabei wurden Daten verschiedener Ebenen integriert, darunter Proteinsequenzen, Domänenzusammensetzung, dreidimensionale Struktur, Funktion und Expressionsmuster. Diese Methode erweitert die traditionelle Klassifizierung von E3-Enzymen (RING-, HECT- und RBR-Klassen) um atypische Mechanismen, klärt erfolgreich funktionelle Unterteilungen auf, unterscheidet zwischen Multisubunit-Komplexen und monomeren Enzymen und ordnet E3-Enzyme Substraten und potenziellen Wirkstoffzielen zu.

Ein Forschungsteam der Yale University hat kürzlich das MOSAIC-Modell vorgestellt. Dieses Modell transformiert ein generalisiertes Big-Language-Modell in ein kollaboratives System, das aus zahlreichen spezialisierten Chemieexperten besteht. Durch professionelle Arbeitsteilung werden Modellillusionen effektiv unterdrückt, eine quantifizierbare Unsicherheitsbewertung ermöglicht und die systematische Generierung von der Reaktionsbeschreibung bis zum vollständigen Versuchsplan realisiert. Es wird erwartet, dass es die Effizienz der wissenschaftlichen Forschung in Bereichen wie der Wirkstoffforschung und der Materialentwicklung deutlich steigern wird.

HyperAl hat vom 22. bis 27. Februar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie OCR, multimodale Verfahren und große Sprachmodelle abdecken.

Ein gemeinsames Forschungsteam der Universität Helsinki (Finnland), des Mediterranean Climate Change Research Centre und der Universität Salento (Italien) hat SeaCast entwickelt, ein Graph-Neuronales-Netzwerk-Modell speziell für die regionale Ozeanvorhersage. Nach dem Training kann dieses Modell auf einer einzelnen GPU in nur 20 Sekunden eine 15-Tage-Vorhersage für 18 vertikale Ebenen mit einer Auflösung von 1/24° erstellen – deutlich schneller als physikalische Basismodelle auf CPU-Clustern.

Ein Forschungsteam der Cornell University hat mit SCAN ein robustes, interpretierbares und dateneffizientes Framework zur Modellierung und Interpretation der Salz-Lösungsmittel-Chemie entwickelt. Dieses Framework verarbeitet effektiv Daten mit langen Ausläufern und erfasst das gesamte Spektrum an Salz-Lösungsmittel-Formulierungen. Die Forscher wandten SCAN auf nicht-wässrige Elektrolytsysteme (NAE) an und erzielten einen Basisfehler von 0,372 mS·cm⁻¹ bei der Leitfähigkeitsvorhersage. Dies entspricht einer Reduzierung des Vorhersagefehlers um 65,31 TP³T im Vergleich zum Basismodell.

Professor Tzu-Yu Song von der University of Michigan, Ann Arbor, hat in Zusammenarbeit mit Wei-Ran Jiang, Vizepräsident für Forschung und Entwicklung bei Farasis Energy, eine innovative wissenschaftliche Methode des maschinellen Lernens namens „Discovery Learning“ vorgeschlagen. Inspiriert von der pädagogischen Psychologie integriert diese Methode auf organische Weise aktives Lernen, physikalisch eingeschränktes Lernen und Zero-Shot-Learning, um ein menschenähnliches, geschlossenes Lernmodell für logisches Denken zu konstruieren.

Ein kurzer Überblick über die wichtigsten und wegweisenden Veröffentlichungen im Bereich KI für die Wissenschaft im Jahr 2025.

WorldArena, ein Projekt von Institutionen wie der Tsinghua-Universität, der Peking-Universität, der Universität Hongkong, der Princeton-Universität, der Chinesischen Akademie der Wissenschaften, der Shanghai Jiao Tong Universität, der Universität für Wissenschaft und Technologie Chinas und der Nationalen Universität Singapur, integriert als erstes die Qualität der Videogenerierung mit der Funktionalität der verkörperten Aufgabe und schafft so einen vollständigen Bewertungsrahmen von „sieht realistisch aus“ bis „ist wirklich nutzbar“.

Wir suchen noch Teilnehmer für den geschlossenen Betatest, die eine maximale Belohnung von 200 Yen erhalten.

Erfahrungen aus der Praxis von HyperAI-Nutzern

„DeepSeek-OCR 2: Visueller Kausalfluss“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar. Laden Sie einfach Ihr Bild hoch, um eine präzise OCR-Texterkennung zu erhalten. Probieren Sie es aus!

Ein Forschungsteam des Fachbereichs Informatik am University College London (UCL) hat ein föderiertes Lernverfahren zur Analyse der Leukozytenmorphologie entwickelt. Dieses ermöglicht es Institutionen, gemeinsam zu trainieren, ohne Trainingsdaten austauschen zu müssen. Anhand von Blutausstrichen aus verschiedenen klinischen Einrichtungen lernt das föderierte Modell robuste und domäneninvariante Merkmalsdarstellungen unter vollständiger Wahrung des Datenschutzes. Im Vergleich zum zentralisierten Training zeigt das föderierte Training eine überlegene Leistung über verschiedene Einrichtungen hinweg und lässt sich auf unbekannte Institutionen übertragen.

Ein Forschungsteam von Microsoft Research, der University of Washington und Providence Genomics hat GigaTIME entwickelt, ein multimodales KI-Framework. Dieses Framework, basierend auf fortschrittlichen multimodalen Lernverfahren, generiert virtuelle mIF-Karten aus herkömmlichen H&E-gefärbten Gewebeschnitten. Das Forschungsteam wandte es auf eine Kohorte von über 14.000 Krebspatienten am Providence Medical Center an, die 24 Krebsarten und 306 Subtypen umfasste. Dabei entstanden fast 300.000 virtuelle mIF-Bilder, wodurch eine systematische Modellierung der Tumor-Immunmikroumgebung in einer großen und heterogenen Population erreicht wurde.

Ein Forschungsteam des MIT, der Technischen Universität München und der Polytechnischen Universität Valencia hat DiffSyn innovativ vorgeschlagen – ein generatives Diffusionsmodell, das mit mehr als 23.000 generativen Rezepten aus der Literatur der letzten 50 Jahre trainiert wurde.

Das Forschungsteam von Polymathic AI hat Walrus vorgestellt, ein fundamentales Modell, das auf der Transformer-Architektur basiert und primär für die Simulation von Kontinuumsdynamiken mit fluidähnlichen Eigenschaften entwickelt wurde. Walrus deckt in seiner Vortrainingsphase 19 sehr unterschiedliche physikalische Szenarien ab, die verschiedene Bereiche wie Astrophysik, Geowissenschaften, Rheologie, Plasmaphysik, Akustik und klassische Fluiddynamik umfassen. Die Ergebnisse zeigen, dass Walrus bisherige fundamentale Modelle sowohl bei kurz- als auch bei langfristigen Vorhersagen für nachgelagerte Aufgaben übertrifft.

Das WeChat-KI-Team von Tencent hat WeDLM vorgestellt, das erste Diffusions-Sprachmodell, das vergleichbare AR-Modelle hinsichtlich der Inferenzgeschwindigkeit unter Optimierung durch eine industrielle Inferenzmaschine (vLLM) übertrifft. Das „WeDLM High-Efficiency Large Language Model Decoding Framework“ ist jetzt im Bereich „Tutorials“ auf der HyperAI-Website verfügbar; dieser Artikel bietet eine detaillierte Anleitung.

Wissenschaftler des Oak Ridge National Laboratory des US-Energieministeriums haben eine verteilte, kanalübergreifende hierarchische Aggregationsmethode (D-CHAG) für Basismodelle vorgeschlagen. Diese Methode verteilt den Tokenisierungsprozess und verwendet eine hierarchische Strategie zur Kanalaggregation, wodurch extrem große Modelle auf Mehrkanal-Datensätzen ausgeführt werden können.

2.2-2.6 Ausgewählte KI-Veröffentlichungen

Inspiriert vom neuen Modell von DeepSeek hat das Genos-Team, bestehend aus Forschern von BGI Genomics und dem Zhejiang Zhijiang Laboratory, ein spezielles „Plug-in“ für die Genommodellierung entwickelt: Gengram (Genomic Engram). Mit nur etwa 20 Millionen Parametern hat es die bisherigen Bestleistungen (SOTA) für zahlreiche Genomaufgaben übertroffen und bietet eine revolutionäre Lösung zur Überwindung des Flaschenhalses der Genommodellierung.

HyperAl hat von Version 2.2 bis 2.6 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

HyperAl hat vom 26. bis 30. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Aktuell treiben großflächige, mehrbandige Himmelsdurchmusterungen mit großem Sichtfeld und hoher Bildtiefe die Astronomie in ein beispielloses datenintensives Zeitalter. Mit der Inbetriebnahme von Weltraumteleskopen der nächsten Generation wie dem Euclid-Weltraumteleskop, dem Rubin-Observatorium und dem Roman-Weltraumteleskop wird das Universum systematisch in einem noch nie dagewesenen Umfang und mit noch nie dagewesener Präzision kartiert. Von diesen Beobachtungen wird erwartet, dass sie [...]

Ausgewählte KI-Beiträge (26.-30. Januar)

Das Robotik-Startup Skild AI hat in einer Serie-C-Finanzierungsrunde 1,4 Milliarden US-Dollar eingesammelt und wird damit mit über 14 Milliarden US-Dollar bewertet. Die Runde wurde von der japanischen SoftBank Group angeführt, mit Beteiligung strategischer Investoren wie NVentures (Nvidia), Macquarie Capital und Bezos Expeditions (gegründet von Amazon-Gründer Jeff Bezos). Auch Samsung, LG, Schneider Electric und Salesforce Ventures beteiligten sich.

Ein gemeinsames Forschungsteam von Basecamp Research, NVIDIA und mehreren führenden akademischen Einrichtungen hat die EDEN-Serie metagenomischer Basismodelle entwickelt. Durch die Analyse umfangreicher natürlicher Evolutionsdaten, die verschiedene Arten umfassen und mit Umweltinformationen verknüpft sind, konnten sie erstmals systematisch die tiefgreifende „Grammatik“ und die universellen Prinzipien des biologischen Designs extrahieren.

Die „TRELLIS.2 3D-Generierungsdemo“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Tutorials“ verfügbar. Erleben Sie die effiziente Generierung von 3D-Modellen!

Ein Forschungsteam der University of California entwickelte eine spezielle Photonenfallenstruktur (PTST) auf der Oberfläche einer Standard-Silizium-Photodiode und integrierte ein hochgradig rauschunempfindliches, vollständig vernetztes neuronales Netzwerk. Dieses Netzwerk kann das ursprüngliche Spektrum intelligent berechnen und direkt aus dem vom Bauelement gemessenen Photostromsignal rekonstruieren. Dadurch erzielt das Spektrometer nicht nur ein höheres Signal-Rausch-Verhältnis bei längeren Wellenlängen, sondern übertrifft auch die Gesamtleistung herkömmlicher Silizium-basierter Spektrometer.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Ausgewählte KI-Beiträge (19.-23. Januar)

Dieser Artikel stellt systematisch eine Reihe hochwertiger Datensätze, Online-Tutorials und Fachartikel zum Thema verkörperte Intelligenz zusammen und dient als Grundlage für weiterführendes Lernen und Forschen. Besuchen Sie hyper.ai, um weitere hochwertige Ressourcen zu entdecken!

Ein Forschungsteam der Goethe-Universität hat das „humane E3-Ligase-Genom“ mithilfe von metrischem Lernen klassifiziert. Dabei wurden Daten verschiedener Ebenen integriert, darunter Proteinsequenzen, Domänenzusammensetzung, dreidimensionale Struktur, Funktion und Expressionsmuster. Diese Methode erweitert die traditionelle Klassifizierung von E3-Enzymen (RING-, HECT- und RBR-Klassen) um atypische Mechanismen, klärt erfolgreich funktionelle Unterteilungen auf, unterscheidet zwischen Multisubunit-Komplexen und monomeren Enzymen und ordnet E3-Enzyme Substraten und potenziellen Wirkstoffzielen zu.

Ein Forschungsteam der Yale University hat kürzlich das MOSAIC-Modell vorgestellt. Dieses Modell transformiert ein generalisiertes Big-Language-Modell in ein kollaboratives System, das aus zahlreichen spezialisierten Chemieexperten besteht. Durch professionelle Arbeitsteilung werden Modellillusionen effektiv unterdrückt, eine quantifizierbare Unsicherheitsbewertung ermöglicht und die systematische Generierung von der Reaktionsbeschreibung bis zum vollständigen Versuchsplan realisiert. Es wird erwartet, dass es die Effizienz der wissenschaftlichen Forschung in Bereichen wie der Wirkstoffforschung und der Materialentwicklung deutlich steigern wird.