Araştırmacılar, beynin beyincik ve korteks bölgeleri arasındaki işbirliğinden esinlenerek yeni bir yapay sinir ağı geliştirdi. Bu hibrit sistem, geleneksel yapay sinir ağlarına göre zamana bağlı görevleri çok daha hızlı öğreniyor ve daha yüksek performans sergiliyor. Çalışma, beyinciğin öğrenmedeki kilit rolünü ortaya koyuyor: korteks bölümü minimal eğitimden sonra sabitlendiğinde bile, beyincik benzeri modül tek başına üstün öğrenme verimliliği sağlayabiliyor. Bu bulgu, korteksin sabit bir rezervuar gibi çalışırken beyinciğin asıl öğrenme motorunu oluşturduğunu gösteriyor.

Araştırmacılar, biyolojik sistemlerin zaman içindeki karmaşık değişimlerini modellemek için FLUX adlı yenilikçi bir yapay zeka sistemi geliştirdi. Hücreler, nöronlar veya organizmaların farklı gelişim evrelerindeki durumlarını eşleştirmeden analiz edebilen bu sistem, öğrenme, uyaran değişimi veya gelişimsel aşamalar gibi gizli rejimlerin geçişlerini tespit edebiliyor. Geleneksel yöntemlerden farklı olarak, aynı biyolojik örnekleri sürekli takip etmeden, farklı zamanlardaki popülasyon örneklerinden anlamlı sonuçlar çıkarabiliyor. Bu gelişme, gelişimsel biyoloji, nörobilim ve hücre biyolojisi araştırmalarında önemli ilerlemeler sağlayabilir.

Araştırmacılar, insan beyninden alınan verilerin yapay zeka modellerinin performansını ne kadar artırabileceğini matematiksel olarak inceledi. Çalışma, bir kişinin çözebileceği görevlerde beyin aktivitesi ölçümlerinin makine öğrenmesi modellerinin eğitimini destekleyebileceğini gösteriyor. Bilim insanları, beyin verilerinin model başarısını mütevazı düzeyde artırdığını ve dayanıklılığını güçlendirdiğini ortaya koydu. Ancak bu faydanın ne zaman ortaya çıktığı ve hangi koşullarda ne kadar etkili olduğu belirsizdi. Yeni araştırma bu soruları matematiksel olarak formüle ederek, basit bir lineer Gauss modeli kullanarak teorik çerçeve oluşturdu. Hem beyin verileri hem de görev etiketleri ile eğitilen çok modlu tahmin ediciler için performansın nasıl ölçeklendiğini gösteren yasalar türetildi. Bu yasalar sayesinde beyin örnekleri ile görev örnekleri arasındaki değer oranları hesaplandı.

Araştırmacılar, açısal ölçümlerin işlenmesinde yaşanan zorluklara çözüm olarak yeni bir döngüsel temsil yöntemi geliştirdi. Geleneksel açı ölçümlerinde, birbirine yakın açılar arasındaki fark pi değerini aştığında işleme sorunları yaşanıyor. Yeni yöntem, yüksek boyutlu uzayda gerçek değerli döngüsel gömme tekniklerini kullanarak bu sorunu çözüyor. Fourier gömme teknikleri kullanılan çalışmada, nöral ağların daha etkili açı işlemesi sağlanıyor. Yöntem aynı zamanda nokta çarpım benzerliklerinin kontrolüne olanak tanıyarak farklı çekirdek şekilleri oluşturabiliyor. Özellikle fiziksel ve algısal fenomenlerin temsil edilmesinde kritik öneme sahip periyodik sinyaller için önemli bir gelişme.

Araştırmacılar, transformer tabanlı yapay zeka modellerinin mantıksal çıkarım yeteneklerini inceledi. Çalışmada, "A, B'den büyük; B, C'den büyük; o halde A, C'den büyük" türü geçişli mantık yürütme davranışı analiz edildi. İki farklı öğrenme türü karşılaştırıldı: model ağırlıklarına gömülü öğrenme ve bağlam içi öğrenme. Bulgular, bu iki yaklaşımın tamamen farklı stratejiler geliştirdiğini gösterdi. Ağırlık tabanlı öğrenen modeller, insanlar ve hayvanlarınkine benzer doğrusal ilişki haritaları oluştururken, bağlam içi öğrenen modeller genellikle ezberleme stratejisi benimsiyor. Ancak eğitim verileri geçişli çıkarımı gerektirdiğinde, bu modeller de mantıksal genelleme yapabiliyorlar. Araştırma, yapay zeka sistemlerinin akıl yürütme mekanizmalarını anlamak açısından önemli ipuçları sunuyor.

Araştırmacılar, ışığa maruz kalan moleküllerin karmaşık davranışlarını anlamak için yeni bir yapay zeka yöntemi geliştirdi. Moleküller ışık absorpladığında enerjiyi nasıl kaybettiği ve hangi atom hareketlerinin bu süreçte kritik rol oynadığı, kimyasal fizik alanının temel sorularından biri. Bu yeni yaklaşım, Farklılaştırılabilir Bilgi Dengesizliği adı verilen bir makine öğrenmesi tekniği kullanarak, binlerce atom hareketi arasından en önemli olanları belirleyebiliyor. Yöntem, moleküler dinamik simülasyonlarından elde edilen büyük veri kümelerini analiz ederek, moleküllerin enerji kaybetme mekanizmalarını daha iyi anlamamızı sağlıyor. Bu gelişme, güneş pilleri, LED teknolojileri ve fotoğraf filmlerinin tasarımında önemli uygulamalara sahip olabilir.

Araştırmacılar, demir bazlı katalizörlerin performansını önceden tahmin eden yorumlanabilir makine öğrenmesi çerçevesi geliştirdi. Bu yenilikçi yaklaşım, metan dönüşümü gibi enerji yoğun uygulamalarda kullanılan katalizörlerin keşif sürecini hızlandırabilir. Sistem, SHAP tabanlı özellik önem analizi ve ağaç tabanlı topluluk algoritmalarını birleştirerek, katalizörlerin elektronik yapı özelliklerini ve performans ilişkilerini başarıyla çözümleyebiliyor. Geleneksel deneme-yanılma yöntemlerinin pahalı ve zaman alıcı olması nedeniyle bu tür akıllı yaklaşımlar, katalizör geliştirme alanında büyük önem taşıyor. Çalışma özellikle metan kısmi oksidasyonu için Fe-zeolit ve oksit destekli katalizörlere odaklanıyor.

Araştırmacılar, graf sinir ağlarına (GNN) dayalı moleküler dinamik simülatörlerinin temel sınırlarını aşan yeni bir yaklaşım geliştirdi. Geleneksel GNN simülatörleri, doğru tahmin yapabilmek için geçmiş zaman verilerine ihtiyaç duyar, bu da malzeme tasarımında kritik olan ters tasarım uygulamalarında kullanımlarını kısıtlar. Yeni yöntem, simülasyonları tek bir statik yapısal konfigürasyondan başlatabilmeyi mümkün kılıyor. Ayrıca, adayların genellikle eğitim verisi dışında kalan durumlarla başa çıkabilmek için güçlü genelleme yeteneği de sunuyor. Bu gelişme, karmaşık moleküler sistemlerin daha verimli modellenebilmesinin yanı sıra, malzeme tasarımında devrim yaratabilecek farklılaşabilirlik özelliğini de koruyor.

Araştırmacılar, yapay sinir ağlarının kuantum kimya hesaplamalarında kullanılan yoğunluk fonksiyoneli teorisini (DFT) ne kadar başarılı şekilde taklit edebileceğini test eden yeni bir yöntem geliştirdi. 'Fonksiyonel klonlama' adı verilen bu yaklaşımda, yapay zeka modelleri bilinen bir değişim-korelasyon fonksiyonelini yeniden üretmeye çalışıyor. Çalışma, sınırlandırılmış ve sınırlandırılmamış mimariler kullanarak GGA seviyesinde eğitilen modellerin performansını karşılaştırıyor. Test sonuçları, sınırlandırılmış modellerin moleküler enerji hesaplamalarında ve kristal yapıların durum denklemlerinde daha başarılı olduğunu gösteriyor.

Araştırmacılar, kristal üretimi yapan yapay zeka modellerinin performansını dramatik şekilde artıran yeni bir yöntem geliştirdi. CrystalREPA adı verilen bu sistem, önceden eğitilmiş atomik potansiyel modellerinin bilgilerini kristal üretici modellere aktararak daha kararlı ve geçerli kristal yapıları oluşturmayı mümkün kılıyor. Yöntem, mevcut modellerin kristallerin nasıl göründüğünü öğrendiği ancak onları ne kadar kararlı kıldığını anlamadığı sorununu çözüyor. Üç farklı üretici model, on öğretmen model ve iki veri seti üzerinde yapılan testlerde tutarlı iyileştirmeler gösterdi. Bu gelişme, yeni malzemelerin keşfinde ve tasarımında önemli ilerlemeler sağlayabilir.

Araştırmacılar, atomik özelliklerin makine öğrenmesi hedefleri olarak değerlendirilmesinde yeni bir yaklaşım geliştirdi. Kısmi yükler ve multipoller gibi atomik özellikler kimyasal açıdan anlamlı bilgiler içerse de, bu özelliklerin atom düzeyinde değerlendirilmesi zorlu bir süreç olmuştur. Yeni çalışmada, atomik ortamları SOAP tanımlayıcıları ile kümeleyerek ve sadece eğitim sırasında görülmeyen küme etiketlerini hesaba katarak bir değerlendirme protokolü önerildi. Bu protokol kullanılarak, H, C, N ve O atomlarının elektron popülasyonları ile multipollerini tahmin etmede E(3)-eşdeğişken ve eşdeğişken olmayan modeller karşılaştırıldı. Araştırma sonucunda, rotasyonel olarak güçlendirilmiş ve eşdeğişken olmayan graf sinir ağı olan Quantum Topological Neural Network (QT-Net) geliştirildi.