KI News: Kurz und klar.

Ein neues, skalierbares Framework für spärliche Regression hat die Entdeckung von interpretierbaren partiellen Differentialgleichungen und Subgrid‑Scale‑(SGS)‑Schließungen aus mehrparameterigen Simulationsdaten revolutioniert. Das System baut auf dem bekannten SINDy‑Ansatz auf und erweitert ihn um vier zentrale Innovationen: eine symbolische Parameterisierung, die physikalische Parameter innerhalb einer einheitlichen Regression variieren lässt; einen Dimensional‑Similarity‑Filter, der Einheitlichkeit sichert und gleichzeitig die Kandidatenbibliothek reduziert; eine speichereffiziente Gram‑Matrix‑Ansammlung, die Batch‑Verarbeitung ermöglicht; sowie einen Ensemble‑Konsens mit Stabilitätsanalyse der Koeffizienten, der robuste Modellidentifikation gewährleistet.