Araştırmacılar, yapay zeka modellerinin metin üretim hızını artırmak için EVICT adlı yeni bir sistem geliştirdi. Bu sistem, özellikle karmaşık Mixture-of-Experts (MoE) modellerinde yaşanan performans sorunlarını çözerek, gereksiz hesaplamaları ortadan kaldırıyor. EVICT, ağaç tabanlı tahmini kod çözme tekniğini optimize ederek, sadece faydalı token'ları doğrulama sürecine dahil ediyor. Sistem herhangi bir ek eğitim gerektirmeden çalışabiliyor ve mevcut altyapılarla uyumlu. Farklı model mimarileri üzerinde yapılan testlerde sistemin 2 kata kadar hız artışı sağladığı görüldü. Bu gelişme, ChatGPT gibi büyük dil modellerinin yanıt verme hızını önemli ölçüde artırabilir.

Bilim insanları, nöronların elektriksel aktivitesini açıklayan yeni bir teorik çerçeve önerdi. Geleneksel olarak, sinir hücrelerindeki elektriksel sinyallerin membran boyunca iyon geçişiyle oluştuğu kabul edilir. Ancak yeni 'murburn' teorisi, bu aktivitenin aslında redoks reaksiyonları ve elektron dinamikleriyle açıklanabileceğini savunuyor. Bu yaklaşım, iletim hızı, dalga biçimi ve eşik değer gibi ölçülebilir parametreleri, oksijen durumu ve çevresel koşullar gibi fiziksel değişkenlerle doğrudan ilişkilendiriyor. Teori, deneysel doğrulamaya açık tahminler yapabilme kapasitesiyle öne çıkıyor.

Büyük dil modellerinin ürettiği metinlerin kaynağını tespit etmek giderek zorlaşırken, araştırmacılar BREW adlı yeni bir dijital imza yöntemi geliştirdi. Bu sistem, yapay zeka tarafından üretilen metinlere görünmez çoklu bit imzalar yerleştirerek, sahte pozitif sonuçları dramatik şekilde azaltıyor. Geleneksel yöntemlerin aksine, BREW iki aşamalı bir doğrulama mekanizması kullanıyor: önce bağımsız blok oylamasıyla mesajı tahmin ediyor, ardından pencere kaydırma tekniğiyle yerel düzenlemelere karşı sağlam doğrulama yapıyor. Test sonuçları, %10 eş anlamlı kelime değişikliği altında bile %96.5 doğru tespit oranı ve sadece %2 yanlış pozitif oranı gösteriyor.

Araştırmacılar, salgın hastalıkların yayılımını modellemek için EPITIME adlı yeni bir hesaplama çerçevesi geliştirdi. Bu sistem, enfeksiyon yaşı ve davranışsal faktörleri içeren iki farklı epidemi modeli türünü simüle edebiliyor. MATLAB ve Python dillerinde modüler olarak tasarlanan framework, yapı koruyucu sayısal yöntemler kullanarak gerçek salgın dinamiklerinin temel özelliklerini koruyor. Sistem, parametre yönetimi, girdi doğrulama ve grafik etkileşim gibi özellikleri de içeriyor. Bu geliştirme, gelecekteki salgınlara karşı daha etkili hazırlık yapılması ve müdahale stratejilerinin geliştirilmesi açısından önemli bir araç sunuyor.

Araştırmacılar, büyük dil modellerinin yapılandırılmış görevleri güvenilir şekilde yerine getirememesi sorununa çözüm ürettiler. RunAgent adlı yeni platform, doğal dilde yazılan planları anlayıp adım adım uygulayabiliyor. Sistem, insan benzeri problem çözme yaklaşımını taklit ederken, programlama dillerinin deterministik yapısını koruyor. RunAgent, IF, GOTO ve FORALL gibi kontrol yapılarıyla donatılmış agentic bir dil kullanarak, doğal dilin ifade gücünü programlamanın kesinliğiyle birleştiriyor. Platform, her adımda otomatik olarak kısıtlamalar türetip doğrulama yapıyor, LLM tabanlı akıl yürütme, araç kullanımı ve kod üretimi arasında dinamik seçim yapabiliyor. Hata düzeltme mekanizmalarıyla desteklenen sistem, yapay zekanın karmaşık iş akışlarını güvenilir şekilde yürütebilmesi için önemli bir adım sayılıyor.

Araştırmacılar, kuantum makine öğrenmesi modellerindeki hataları tespit etmek için 'mutasyon testleri' adlı yeni bir yöntem geliştirdi. Bu teknik, kuantum sinir ağlarına kasıtlı hatalar enjekte ederek sistemin güvenilirliğini değerlendiriyor. Kuantum bilgisayarlar ve makine öğrenmesinin birleştiği bu alanda, karmaşık özellikleri klasik modellerden daha az parametre ile öğrenebilen sistemler geliştirilmekte. Ancak artan karmaşıklık beraberinde hata riski de getiriyor. Bu çalışma, kuantum devrelerine planlı şekilde arızalar yerleştirerek test sistemlerinin ne kadar dayanıklı olduğunu ölçmeyi amaçlıyor. Yöntem, özellikle kuantum sinir ağı modellerinde tasarım özelliklerine uygunluğu ve hatasız çalışmayı doğrulamaya odaklanıyor. Bu gelişme, kuantum makine öğrenmesi uygulamalarının güvenilirliğini artırmada önemli bir adım.

Araştırmacılar, elektrikli motorlar ve sinir ağları gibi karmaşık sistemlerin kararlılığını analiz etmek için yeni bir matematiksel framework geliştirdi. Persidskii sistemleri olarak adlandırılan bu yapılar, doğrusal dinamikler ile nonlineer geri besleme döngülerini birleştireyor. Çalışma, zaman gecikmesi olan sistemlerde durum tahmini ve kararlılık analizi için veri odaklı yaklaşımlar sunuyor. Özellikle elektrikli araçlarda kullanılan PMSM motorlarında deneysel doğrulama yapılması, teorik çalışmanın pratik uygulamalarını gösteriyor. Bu gelişme, otonom sistemler ve robotik alanlarında daha güvenilir kontrol sistemleri tasarımına katkı sağlayabilir.

Yapay zeka asistanları ofis ortamlarından günlük yaşama geçerken, karşılaştıkları bağlamlar da değişiyor. Gerçek yaşam bağlamları genellikle dağınık, parçalı ve kişisel deneyimlerle iç içe. Araştırmacılar, mevcut dil modellerinin bu karmaşık durumlardan öğrenip öğrenemediğini test etmek için CL-bench Life adlı yeni bir değerlendirme sistemi geliştirdi. Bu sistem, çok taraflı sohbetler, kişisel arşivler ve davranış izleri gibi gerçek yaşam senaryolarını içeren 405 bağlam-görev çifti ve 5,348 doğrulama kriteri sunuyor. Sonuçlar, yapay zekanın profesyonel ortamlardaki başarısının günlük yaşamın karmaşıklığında aynı düzeyde olmadığını gösteriyor.

Araştırmacılar, telekomünikasyon ağlarının yönetimini kolaylaştıracak yeni bir doğrulama sistemi geliştirdi. TIO-SHACL adlı bu sistem, operatörlerin karmaşık teknik detaylara girmeden sadece yüksek seviyeli hedeflerini belirterek ağ yönetimi yapmasını sağlayan 'niyet tabanlı ağ yönetimi' teknolojisi için kritik bir eksikliği gideriyor. Sistem, ağ operatörlerinin belirttiği niyetlerin sisteme kabul edilmeden önce doğruluğunu kontrol ederek hataları önlüyor. Bu gelişme, telekomünikasyon sektöründe ağ yönetimini daha güvenilir ve verimli hale getirme potansiyeli taşıyor.

Araştırmacılar, büyük dil modellerinin kod yazma yeteneklerini geliştirmek için ScaleBox adlı yeni bir sistem geliştirdi. Mevcut kod doğrulama sistemleri yüksek iş yükü altında yetersiz kalırken, ScaleBox hem doğruluğu artırıyor hem de büyük ölçekte verimli çalışabiliyor. Sistem, otomatik özel yargıç üretimi, paralel test çalıştırma ve çok düğümlü koordinasyon gibi özellikler sunuyor. Deneyler, ScaleBox'ın kod doğrulama hassasiyetini ve verimliliğini önemli ölçüde artırdığını gösteriyor. LiveCodeBench performans testlerinde de sistemi kullanan modellerin belirgin şekilde daha iyi sonuçlar aldığı gözlemleniyor.

Büyük dil modelleri program yazma görevlerinde etkileyici sonuçlar elde ediyor, ancak gerçek öğrenme yetenekleri belirsizliğini koruyor. Araştırmacılar, transformer modellerin gerçekten genelleme yapıp yapmadığını test etmek için kontrollü bir deney ortamı geliştirdi. Milyonlarca benzersiz program üzerinde yapılan testler, modellerin yeni durumlarla karşılaştıklarında ciddi sınırları olduğunu ortaya çıkardı. Bu bulgular, yapay zekanın öğrenme mekanizmalarının düşünülenden daha karmaşık olduğunu gösteriyor.