Araştırmacılar, 5G New Radio gibi yüksek performanslı iletişim sistemleri için HELENA adlı yeni bir yapay zeka modeli geliştirdi. Bu kompakt derin öğrenme modeli, özellikle düşük sinyal-gürültü oranı ve sıkı gecikme kısıtları altında kritik öneme sahip kanal tahminini devrim niteliğinde iyileştiriyor. HELENA, hafif konvolüsyonel yapısı ve çifte dikkat mekanizması sayesinde mevcut en gelişmiş CEViT sistemine kıyasla %45 daha hızlı çalışırken, 8 kat daha az parametre kullanıyor. Bu başarı, gerçek zamanlı 5G uygulamaları için büyük önem taşıyor çünkü hem hız hem de doğruluk açısından üstün performans sergiliyor.

Araştırmacılar, kuantum bilişim ile yapay zekayı birleştirerek karmaşık kaotik sistemlerin tahmininde dramatik iyileştirmeler elde ettiklerini açıkladı. Yeni yöntem, kuantum bilgisayarların verilerdeki gizli örüntüleri tespit etme kabiliyetini kullanarak, yapay zeka modellerinin doğruluğunu ve zaman içindeki kararlılığını artırıyor. Geleneksel modellerle karşılaştırıldığında hem daha yüksek performans sergiliyor hem de çok daha az bellek kullanıyor. Bu gelişme, iklim bilimi, enerji sektörü ve tıp alanlarında büyük değişimlere yol açabilir. Kaotik sistemlerin öngörülmesi uzun zamandır bilim dünyasının en zorlu problemlerinden biri olarak kabul ediliyor.

Araştırmacılar, T hücresi reseptörlerinin peptid-MHC molekül bağlanmalarını tahmin etmek için yeni bir yapay zeka modeli geliştirdi. Bu sistem, aşı tasarımı ve T hücresi tedavilerinde kritik öneme sahip. Yeni yaklaşım, modelin eğitim sırasında görmediği epitoplarla karşılaştığında sessizce yanlış güven skoru vermesi sorununu çözmeyi hedefliyor. Araştırmacılar, güvenilir tahminler yapabilmek için 'seçici tahmin' yaklaşımını benimsiyor - model ya güvenilir bir skor verir ya da açıkça karar vermekten kaçınır. Dual-encoder mimarisi kullanan sistem, protein dil modeliyle eğitilmiş ve sıcaklık ölçeklendirmesi ile kalibre edilmiş. Conformal abstention kuralı sayesinde kullanıcının belirlediği hata oranında finite-sample kapsama garantisi sağlıyor. Üç farklı test stratejisinde değerlendirilen method, AUROC 0.813 ve ECE 0.043 değerlerine ulaştı.

Büyük dil modelleri telekomünikasyon sektöründe 3GPP spesifikasyon analizi ve ağ sorun giderme gibi karmaşık görevlerde kullanılıyor. Ancak bu modellerin kendi cevaplarına dair güven skorları genellikle yanıltıcı ve aşırı iyimser çıkıyor. Araştırmacılar, Gemma-3 model ailesi üzerinde yaptıkları çalışmada standart tek geçişli güven tahminlerinin yetersiz kaldığını gösterdi. Sorunun çözümü için Twin-Pass Chain of Thought yöntemi adı verilen yeni bir yaklaşım geliştirdiler. Bu teknik, birden fazla bağımsız düşünce zinciri kullanarak modelin kendi doğruluğunu değerlendirme yeteneğini artırıyor. Telekomünikasyon alanında AI güvenilirliğinin kritik öneme sahip olduğu düşünüldüğünde, bu gelişme sektörün AI benimseme sürecini hızlandırabilir.

Araştırmacılar, yapay zeka sistemlerinin metin sınıflandırmasında belirsizliklerini tahmin edebilmesi için yeni bir yöntem geliştirdi. HolUE adlı bu yaklaşım, sistemin ne zaman hata yapabileceğini önceden tahmin ederek, bilinmeyen durumlarla karşılaştığında 'bilmiyorum' diyebilmesini sağlıyor. Yöntem, iki temel belirsizlik kaynağını ele alıyor: kullanıcının belirsiz sorularından kaynaklanan 'metin belirsizliği' ve veri dağılımındaki belirsizliklerden kaynaklanan 'galeri belirsizliği'. Test sonuçları oldukça etkileyici - farklı veri setlerinde mevcut yöntemlere göre %40 ile %365 arasında iyileşme sağlandı. Bu gelişme, özellikle güvenilir yapay zeka sistemleri için kritik önem taşıyor.