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, 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.

Araştırmacılar, kuantum kimyasındaki karmaşık moleküler sistemleri analiz etmek için Neural Network Quantum States (NQS) yönteminin optimizasyonunda çığır açan bir yaklaşım geliştirdi. Geleneksel stokastik yöntemlerin örnekleme varyansı ve yavaş karışım problemlerini aşan bu deterministik framework, sinir ağı tabanlı dalga fonksiyonlarının optimizasyonunu büyük ölçüde hızlandırıyor. Hibrit CPU-GPU mimarisi kullanan sistem, 10^23 konfigürasyon içeren Hilbert uzaylarında hesaplama yapabilme kapasitesi sunuyor. Bu gelişme, krom dimeri gibi güçlü korelasyonlu sistemlerin analizi için yeni imkanlar yaratırken, moleküler bağ kopmalarının incelenmesinde kararlı yakınsama sağlıyor.

Araştırmacılar, büyük moleküllerin kuantum kimyasal özelliklerini hesaplamada karşılaşılan hesaplama darboğazını aşmak için DeepHartree adlı yenilikçi bir yapay zeka sistemi geliştirdi. Yoğunluk fonksiyonel teorisi (DFT) hesaplamalarında kritik olan Hartree potansiyelini hesaplama sürecini O(N⁴) karmaşıklığından neredeyse doğrusal O(N) seviyesine indiren bu sistem, GPU hızlandırması kullanıyor. Poisson denklemini yapay sinir ağlarıyla birleştiren DeepHartree, elektron yoğunluğu ve Hartree potansiyelini eş zamanlı olarak tahmin ederek, büyük moleküler sistemlerin analizini önemli ölçüde hızlandırıyor. Bu gelişme, ilaç keşfi, malzeme bilimi ve kataliz araştırmalarında yeni olanaklar sunabilir.

60 yıldan uzun süredir Bell teoremi, kuantum mekaniğinin klasik fizik kurallarını nasıl aştığını gösteren altın standart olmuştur. Şimdi Constructor Üniversitesi'nden Prof. Dr. Nicolas Gisin'in dahil olduğu uluslararası araştırma ekibi, bu prensibi yeni sınırlara taşıyarak 'zarif üçgen' adını verdikleri deneyle çok düğümlü kuantum ağlarında ortaya çıkan yeni kuantum yerellik dışılık formlarını keşfetti. Bu buluş, kuantum internetin düşünülenden daha yakın olabileceğine işaret ediyor ve gelecekteki kuantum iletişim teknolojilerinin temellerini güçlendiriyor.

Araştırmacılar, beyindeki sinir hücrelerinin birbirleriyle nasıl etkileşim halinde olduğunu daha iyi anlamamızı sağlayacak yeni bir matematiksel model geliştirdi. Poisson Matrix-Normal Latent Variable (PMNLV) adı verilen bu model, geleneksel yaklaşımların aksine sinir hücrelerinin tek başına değil, bir ağ halinde çalıştığını göz önünde bulunduruyor. Model, sinir hücre gruplarının aynı uyarana farklı zamanlarda nasıl farklı tepkiler verebildiğini açıklıyor. Bu keşif, beyin hastalıklarının anlaşılması ve tedavi edilmesinde önemli bir adım olabilir. Özellikle nörodejeneratif hastalıklar ve zihinsel bozuklukların altında yatan mekanizmaları çözmede kullanılabilir.

İnsanların karar verirken ne kadar emin olduklarını değerlendirme şekilleri uzun zamandır bilim insanlarını meraklandırıyordu. Yeni bir araştırma, güven duygusunun aslında 'tespit benzeri' bir yapıya sahip olduğunu ve pozitif kanıtlara daha fazla odaklandığını ortaya koyuyor. Daha da ilginç olan, bu durumun insan beynindeki bir kusur değil, çok boyutlu düşünce süreçlerinin doğal bir sonucu olabileceği. Araştırmacılar, insanlar deneycilerin varsaydığından daha fazla seçeneği değerlendirdiğinde, bu güven kalıplarının mantıklı hale geldiğini gösteriyor. Bulgular aynı zamanda yapay sinir ağlarındaki benzer önyargıları da açıklayabilir ve beyin-bilgisayar benzerliklerine yeni bir perspektif sunuyor.

Araştırmacılar, beyin görüntüleme verilerinden gerçek nöral bağlantıları tespit etmek için yeni bir yapay zeka yöntemi geliştirdi. INCAMA adlı bu sistem, fMRI gibi dolaylı ölçümlerin fiziksel sınırlarını aşarak, beynin farklı bölgeleri arasındaki nedensel ilişkileri daha doğru şekilde belirleyebiliyor. Geleneksel yöntemler, kan akışı ve elektriksel iletim gibi fiziksel etkiler nedeniyle gerçek nöral aktiviteyi tam olarak yansıtamıyordu. Yeni yaklaşım, bu fiziksel çarpıtmaları hesaba katarak ve beynin dinamik değişimlerini analiz ederek, nöral ağların gerçek yapısını ortaya çıkarmayı hedefliyor. Kontrollü simülasyonlar ve gerçek fMRI verileriyle test edilen sistem, beyin bağlantılarını haritalama konusunda umut verici sonuçlar gösteriyor.

Bilim insanları, yapay sinir ağlarının nasıl öğrendiğini anlamaya yönelik önemli bir adım attı. Araştırmacılar, 2 boyutlu sahneları inceleyen bir sinir ağının, nesneleri konumlarıyla ilişkilendirmeyi ve uzamsal navigasyonu nasıl öğrendiğini keşfetti. Çalışma, ağın yeni sahnelerle karşılaştığında tahmin yeteneğinin sürekli geliştiğini ve esnek bağlantılar kurarak yapılandırılmış temsiller oluşturduğunu gösteriyor. Bu bulgular, hem yapay zeka sistemlerinin işleyişini anlamak hem de beyin bilimindeki benzer süreçleri açıklamak açısından kritik öneme sahip.

Araştırmacılar, su kümelerinin davranışını tahmin etmek için yenilikçi bir yapay zeka destekli moleküler dinamik simülasyon yöntemi geliştirdi. PDMD adlı bu sistem, geleneksel yöntemlerin karşılaştığı doğruluk-hız ikilemini çözerek, hem yüksek hassasiyette hem de hızlı hesaplamalar yapabiliyor. Gaussian tabanlı geometrik tanımlayıcılar ve ChemGNN adlı grafik sinir ağı kullanan sistem, herhangi bir boyuttaki su kümesinin enerji ve kuvvet değerlerini tahmin edebiliyor. Sistem, enerji tahmininde atom başına 1,39 meV, kuvvet tahmininde ise angström başına 50,7 meV hata payıyla çalışıyor ve mevcut DeepMD teknolojisinden 5 kat daha iyi performans gösteriyor. Bu gelişme, malzeme bilimi ve kimya simülasyonlarında önemli ilerlemeler sağlayabilir.