Die Satzvereinfachung zielt darauf ab, den Inhalt und die Struktur komplexer Sätze zu vereinfachen, um sie für menschliche Leser leichter zu interpretieren und für nachgeschaltete NLP-Anwendungen (Natural Language Processing, Natürliche Sprachverarbeitung) einfacher zu verarbeiten zu machen. Neueste Fortschritte im Bereich der neuronalen Maschinübersetzung haben den Weg für innovative Ansätze bei dieser Aufgabe geebnet. In dieser Arbeit passen wir eine Architektur mit erweiterten Speicherkapazitäten an, die als Neural Semantic Encoders (Neuronale Semantische Encoder) bezeichnet wird (Munkhdalai und Yu, 2017), für die Satzvereinfachung an. Unsere Experimente zeigen die Effektivität unseres Ansatzes an verschiedenen Vereinfachungsdatensätzen, sowohl hinsichtlich automatischer Evaluationsmaße als auch menschlicher Beurteilungen.