Araştırmacılar, farklı donanım özelliklerine sahip robotların daha etkili bir şekilde işbirliği yapabilmesi için NeuroMesh adlı yeni bir yapay zeka çerçevesi geliştirdi. Bu sistem, hava ve kara robotlarının aynı görevde koordineli çalışmasını sağlayan birleşik bir altyapı sunuyor. NeuroMesh, robotlar arası iletişimi standartlaştırarak ve paralel işlem mimarisi kullanarak, farklı robot türlerinin gerçek zamanlı olarak bilgi paylaşmasını ve ortak kararlar almasını mümkün kılıyor. Sistem, GPU ve CPU'yu hibrit olarak kullanarak yüksek performans elde ediyor ve çeşitli görev türlerinde başarılı sonuçlar veriyor.

Yapay zeka iş yüklerini güvenli bir şekilde işlemek için tasarlanan NVIDIA GPU Confidential Computing (GPU-CC) sistemi, araştırmacılar tarafından kapsamlı bir güvenlik analizine tabi tutuldu. Sistemin kapalı kutu yapısının zorluklarına rağmen, araştırma ekibi GPU-CC'nin mimarisini, önyükleme sürecini ve güvenlik mekanizmalarını başarıyla çözümledi. Bu çalışma, yapay zeka uygulamalarında veri güvenliğinin nasıl sağlandığına dair önemli bilgiler sunuyor. Özellikle CPU ve GPU arasındaki veri transferlerinin güvenliği konusunda yapılan deneysel çalışmalar, sistemin güven modelinin etkinliğini değerlendiriyor. Sonuçlar, yapay zeka güvenliği alanında çalışan araştırmacılar ve geliştiriciler için kritik öneme sahip.

Araştırmacılar, otonom yapay zeka sistemlerinin performans darboğazlarını CPU merkezli bir bakış açısıyla inceledi. Geleneksel AI sistemlerinin aksine, plan yapabilen, araç kullanabilen ve anlık adaptasyon gösterebilen agentic AI sistemleri, heterojen CPU-GPU mimarilerde çalışıyor. Yeni çalışma, bu sistemlerdeki CPU'nun kritik rolünü ortaya koydu. Araştırma, farklı donanım sistemlerinde uçtan uca gecikme ve verim analizleri yaparak, performans engellerini belirlemeyi amaçlıyor. Bu bulgular, gelecekteki otonom AI sistemlerinin tasarımında CPU optimizasyonunun önemini vurguluyor ve mevcut GPU-odaklı yaklaşımları sorgulayan önemli bir perspektif sunuyor.

Araştırmacılar, tek kamera kullanarak 3D hareket analizi yapan bir sistem geliştirdi ve bunu normal bilgisayarlarda çalışacak şekilde optimize etti. Daha önce güçlü grafik kartları gerektiren bu teknoloji, CPU optimizasyonları sayesinde 2,47 kat daha hızlı hale getirildi. Sistem, spor ve sağlık alanlarında vücut hareketlerini analiz etmek için kullanılabiliyor ve pahalı donanım gerektirmediği için kliniklerde ve spor merkezlerinde yaygın kullanım potansiyeli taşıyor. Optimizasyonlara rağmen analiz doğruluğu korundu ve eklem açısı ölçümlerinde sadece 0,35 derecelik minimal sapma görüldü.

Araştırmacılar, bilgisayar belleği üzerinde sıralı işlemleri zorunlu kılan PoSME adlı yeni bir kriptografik sistem geliştirdi. Bu sistem, bellek hücrelerini zincirleyerek işlemlerin doğru sırada yapılmasını garanti ediyor ve güvenlik açıklarını önlüyor. PoSME, her adımda veri bağımlı adresleri okuyarak ve her bloğun değeri ile hash kodunu karşılıklı bağımlı hale getirerek çalışıyor. Sistem, donanım tabanlı saldırılara karşı güçlü direnç gösteriyor ve GPU'ların CPU'lara göre 14-19 kat daha yavaş performans sergilediğini ortaya koyuyor. Bu gelişme, blockchain ve kripto para sistemlerinin güvenliği açısından önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, karmaşık kuantum sistemlerdeki Schrödinger denklemini çözmek için yapay zeka destekli yeni bir framework geliştirdi. cuNNQS-SCI adı verilen bu sistem, önceki hibrit CPU-GPU yaklaşımlarının yarattığı darboğazları aşarak, tamamen GPU tabanlı bir mimaride çalışıyor. Yeni sistem, özellikle büyük kuantum sistemlerin simülasyonunda karşılaşılan iletişim sorunlarını ve hesaplama yükünü önemli ölçüde azaltıyor. Neural Network Quantum States (NNQS) yöntemi temelinde geliştirilen framework, dağıtık yük dengeleme algoritması kullanarak performansı artırıyor. Bu gelişme, kuantum fiziği ve malzeme bilimi araştırmalarında daha büyük ve karmaşık sistemlerin incelenmesine olanak tanıyacak.

Akıllı telefonlarda çalışan yapay zeka uygulamaları için kritik önem taşıyan gecikme süresi tahmini konusunda önemli bir gelişme yaşandı. Araştırmacılar, mobil cihazların işlemci frekanslarının sürekli değişmesi nedeniyle oluşan tahmin zorluklarını çözen FLAME adlı sistemi geliştirdi. Geleneksel yöntemler, işlemcilerin enerji tasarrufu için frekanslarını dinamik olarak ayarlaması sebebiyle gerçek kullanımda yetersiz kalıyordu. Özellikle küçük dil modelleri gibi yeni nesil yapay zeka uygulamalarında bu sorun daha da kritik hale geliyor. Yeni sistem, CPU ve GPU arasındaki karmaşık asenkron etkileşimi dikkate alarak çok daha doğru tahminler yapabiliyor. Bu gelişme, mobil cihazlarda çalışan yapay zeka uygulamalarının performansını optimize etmek ve enerji verimliliğini artırmak açısından büyük önem taşıyor.

Bulut tabanlı sistemlerin performansını izlemek için kullanılan PromQL gibi karmaşık sorgu dillerini öğrenmek, mühendisler için büyük bir engel oluşturuyor. Yeni bir araştırma, doğal dil işleme teknolojisiyle bu sorunu çözmeyi hedefliyor. Geliştirilen sistem, 'CPU kullanımı son 1 saatte nasıl?' gibi günlük sorularını otomatik olarak teknik sorgu kodlarına dönüştürebiliyor. Yaklaşık 2000 metriği içeren hibrit katalog sistemi, farklı donanım türlerini desteklerken, çok aşamalı analiz süreci soruları kategorilere ayırıp en uygun metrikleri buluyor. Dinamik zaman çözünürlüğü özelliği ise 'geçen hafta' veya 'son 5 dakika' gibi ifadeleri doğru teknik formatlara çeviriyor.