Nanometre boyutundaki yarıiletken parçacıklar olan kuantum noktalarında, kuantum korelasyonlarının çevresel gürültüden nasıl etkilendiği araştırıldı. Çalışma, çiftlenmiş çifte kuantum nokta sistemlerinde kuantum dolaşıklığı ve uyumun dinamiklerini farklı gürültü türleri altında inceledi. Sonuçlar, çevresel hafızanın kuantum korelasyonlarının korunmasında kritik rol oynadığını gösterdi. Non-Markovian rejimde salınımsal davranış ve kısmi canlanmalar gözlenirken, Markovian dinamiklerde monoton bir bozulma meydana geldi. Farklı dekoherans mekanizmaları da niteliksel olarak farklı etkiler üretti: disipatif kanallar korelasyonları hızla bastırırken, faz tabanlı kanallar yeniden dağılım veya kademeli bozulmaya yol açtı. Bu bulgular, kuantum teknolojileri için önemli.

Matematikçiler, kapalı yüzeyler üzerinde hareket eden ve kendi geçmişlerinden etkilenen özel parçacıkların davranışlarını inceledi. Bu parçacıklar, bir tür 'hafızaya' sahip olup, daha önce bulundukları yerlerden kaçınma eğilimi gösteriyor. Araştırmacılar, bu kendini iten parçacıkların uzun vadede yüzey üzerinde tamamen düzgün bir şekilde dağıldığını matematiksel olarak kanıtladı. Bu keşif, hem teorik matematik hem de fiziksel sistemlerin modellemesi açısından önemli sonuçlar doğuruyor. Özellikle karmaşık yüzeyler üzerindeki rastgele hareketlerin nasıl düzenli hale gelebileceğini anlamamıza yardımcı oluyor.

Yapay zeka ajanları karmaşık görevleri yerine getirmek için dış hafızaya ihtiyaç duyar, ancak mevcut sistemler tüm deneyimleri tek bir havuzda toplar. Bu durum özellikle küçük dil modellerinde hafızanın kirlenmesine ve performans düşüşüne neden olur. Araştırmacılar, bu soruna çözüm olarak CLAG adlı yeni bir hafıza organizasyon sistemi geliştirdi. Sistem, yapay zeka ajanının kendi hafızasını aktif olarak kümelere ayırarak düzenlemesini sağlıyor. Her küme kendi konusu etrafında şekilleniyor ve bağımsız bir birim olarak çalışıyor. Bu yaklaşım, farklı konular arasındaki karışıklığı önleyerek küçük dil modellerinin daha etkili çalışmasına olanak tanıyor.

Araştırmacılar, kuantum bilginin uzun mesafeli iletimi için kritik bir sorunu çözmeye yönelik yeni bir tasarım önerdiler. Kuantum internetinin gerçekleşmesi için fotonlar ve hafıza elementleri arasında etkili bir köprü kurulması gerekiyor. Problem şu ki: hızlı veri iletimi için pikosaniyelik kısa fotonlar gerekli, ancak hafıza elementleri nanosaniyelik uzun fotonları daha iyi absorbe ediyor. Bu iki farklı rejim arasındaki uyumsuzluk, kuantum internetinin önündeki büyük engellerden biri. Yeni yaklaşım, toplam frekans üretimi tabanlı kuantum frekans dönüşümü ile halka rezonatördeki rezonans hapsetmeyi birleştiriyor. Bu tasarım, nanometreden pikometreye bant genişliği sıkıştırması ve THz aralığında kuantum frekans dönüşümü sağlayarak, farklı kuantum sistemleri arasında köprü görevi görebilir.

Araştırmacılar, 167.000'den fazla yapay zeka ajanının yer aldığı platformlarda devrim niteliğinde gözlemler yaparak, AI'ın eğitimdeki rolünün nasıl evrimleşebileceğine dair önemli ipuçları elde etti. Moltbook, The Colony ve 4claw gibi platformlarda yapılan bir aylık detaylı çalışma, AI ajanların birbirleriyle etkileşim kurarak nasıl öğrenme davranışları geliştirdiğini ortaya koyuyor. Bulgular, insanların AI ajanlarını yapılandırırken karşılıklı öğrenme süreçleri yaşadığını, ajanların müfredat olmadan da akran öğrenmesi gerçekleştirdiğini ve paylaşımlı hafıza mimarileri geliştirdiğini gösteriyor. Bu keşifler, eğitimde AI'ın araç olmaktan çıkıp takım arkadaşı haline gelme vizyonuna yeni bir perspektif katıyor.

Araştırmacılar, insan beynindeki farklı bilişsel teorilerin ortak noktalarından yola çıkarak yeni bir yapay zeka sistemi geliştirdi. MIRROR adı verilen bu sistem, Global Çalışma Alanı Teorisi, yeniden yapılandırıcı episodik hafıza, iç konuşma ve tamamlayıcı öğrenme sistemleri gibi bilişsel yaklaşımları bir araya getiriyor. Bu teorilerin ortaklaştığı üç temel ilke var: paralel uzmanlaşmış işlemler, sınırlı birleşik temsile entegratif sentez ve birikimli değil yeniden yapılandırıcı sürdürme. MIRROR sistemi, bu ilkeleri somut mekanizmalar halinde hayata geçiriyor ve çok turlu diyaloglarda dikkat dağılması altında kısıtlamaları koruma gereken görevlerde test ediliyor. Bu yaklaşım, AI sistemlerinin insan benzeri düşünme süreçlerini taklit ederek daha etkili çalışmasını hedefliyor.

Araştırmacılar, mevcut yapay zeka eğitim sistemlerinin temel sorunlarını çözen yeni bir mimari geliştirdi. Günümüzde AI modellerinin eğitimi, çalıştırmaya göre çok daha fazla hafıza gerektiriyor ve karmaşık optimizasyon süreçleri nedeniyle geometrik özellikler bozuluyor. Yeni yaklaşım, üç farklı matematiksel framework'ü birleştirerek bu sorunları aşıyor. Dimensional Type System ile hafıza kullanımını tasarım aşamasında optimize ediyor, Program Hypergraph ile geometrik hesaplamalarda hassasiyeti koruyor, b-posit 2026 standardı ile de farklı donanımlarda verimli çalışabiliyor. Bu kombinasyon sayesinde, eğitim sürecinde kullanılan hafıza miktarı modelin derinliğinden bağımsız hale geliyor ve sabit kalıyor. Özellikle geometrik AI ve nörömorfik hesaplama alanlarında büyük potansiyel taşıyan bu gelişme, AI eğitim süreçlerini hem daha verimli hem de daha erişilebilir hale getirebilir.

Araştırmacılar, mevcut yapay zeka modellerinin uzun metin dizilerinde karşılaştığı hafıza problemini çözmek için Sessa adlı yeni bir mimari geliştirdi. Transformer modellerde dikkat mekanizması uzun metinlerde dağılırken, Mamba gibi durum-uzay modellerinde ise uzun vadeli duyarlılık zamanla azalıyor. Sessa, dikkat mekanizmasını geri bildirim döngüsüne yerleştirerek bu iki yaklaşımın avantajlarını birleştiriyor. Bu yenilik, yapay zekanın uzun metinleri işlerken geçmişten gelen bilgileri daha etkili şekilde kullanabilmesini sağlıyor.

Büyük dil modellerinin (LLM) hem verilen bağlamsal bilgiyi hem de öğrenilmiş parametrik hafızalarını kullandıkları biliniyordu. Ancak bu iki kaynak birbiriyle çeliştiğinde ne olur? Yeni araştırma, farklı görev türlerinin AI modellerinin hangi bilgi kaynağına öncelik verdiğini şekillendirdiğini ortaya koyuyor. Model-bağımsız bir test çerçevesi geliştiren bilim insanları, çelişkili bilgi durumlarında performans düşüşünün görevin gerektirdiği bilgi türüne ve çelişkinin mantıklılığına bağlı olduğunu keşfetti. Araştırma, bağlam tekrarı gibi stratejilerin sadece bağlam gerektiren görevlerde yararlı olduğunu, ancak parametrik bilgi gerektiren görevlerde zararlı olabileceğini gösteriyor. Bu bulgular, AI modellerinin farklı durumlarda nasıl karar verdiğini anlamamız açısından kritik öneme sahip.

Büyük yapay zeka modelleri, karmaşık problemleri çözerken adım adım düşünme süreçlerini taklit eder. Ancak bu süreç, modellerin hafızasında büyük miktarda veri biriktirir ve sistem kaynaklarını tüketir. Araştırmacılar, SkipKV adlı yeni bir yöntem geliştirerek bu soruna çözüm aradı. Bu teknik, modellerin gereksiz bilgileri seçici olarak atlayarak hafıza kullanımını azaltır. Mevcut yöntemler genellikle önemli bilgileri kaybederek model performansını düşürürken, SkipKV hem bellek tasarrufu sağlar hem de doğruluğu korur. Özellikle çoklu işlem ortamlarında etkili olan bu yaklaşım, yapay zeka modellerinin daha verimli çalışmasına olanak tanıyor.

Hindistan'daki toplum sağlığı çalışanları, hamile kadınlar ve çocuklar gibi hassas grupların sağlık hizmetlerine erişiminde kritik rol oynuyor. Ancak geleneksel sınıf ortamında verilen eğitimler, bilgi aktarımında yetersiz kalıyor ve öğrenilen bilgilerin uzun süre hafızada tutulması zorlaşıyor. Araştırmacılar bu sorunu çözmek için akıllı telefon oyunları üzerinden verilen sağlık eğitimlerinin etkinliğini test etti. 270 sağlık çalışanı üzerinde yapılan çalışma, kısa ve sık tekrarlarla desteklenen mobil oyun temelli eğitimlerin, bilgi edinme ve altı ay sonraki bilgi kalıcılığı açısından ne kadar etkili olduğunu ölçmeyi amaçladı.