Nükleer reaktörlerde kullanılan TRISO yakıt parçacıkları, yüksek sıcaklık ve radyasyon altında yapısal değişime uğrar. Bu değişimleri anlamak için binlerce mikroskobik görüntünün analiz edilmesi gerekir - uzmanların elle yaptığı yorucu bir süreç. Araştırmacılar, bu sorunu çözmek için UA-Net adlı yapay zeka sistemini geliştirdi. Bu sistem, TRISO yakıt görüntülerindeki beş farklı bölgeyi otomatik olarak tanımlayabiliyor ve tahminlerinin ne kadar güvenilir olduğunu gösteren belirsizlik haritaları üretiyor. Çok aşamalı öğrenme stratejisi kullanan sistem, önce genel görüntü özelliklerini ImageNet veri setinden öğreniyor, sonra da nükleer yakıt görüntüleriyle eğitiliyor. Bu teknoloji, nükleer yakıt performansının değerlendirilmesini hızlandırarak enerji güvenliğine katkı sağlayabilir.

Araştırmacılar, mevcut yapay zeka ajanlarının yeni ortamlarda karşılaştıkları temel sorunu çözmek için yenilikçi bir sistem geliştirdi. Çoğu AI ajanı, bilinmeyen durumlarla karşılaştığında 'zeki ama çaresiz stajyer' gibi davranarak pratik kullanılabilirliklerini sınırlıyor. Stanford ve diğer kurumlardan araştırmacılar, bu sorunu ele almak için EvoTest adlı evrimsel öğrenme çerçevesini geliştirdi. Sistem, ajanların test sırasında karmaşık becerileri anında öğrenmesini sağlıyor. Jericho Test-Time Learning benchmark'ı üzerinde yapılan testler, mevcut yansıtma ve hafıza tabanlı yöntemlerin yetersiz kaldığını gösterdi. EvoTest ise her bölüm sonrası tüm ajansal sistemi evrimleştirerek, hiçbir ince ayar olmadan performans artışı sağlıyor.

Stanford araştırmacıları, yapay zekanın tek bir görsel örnekten öğrenmesini sağlayan devrim niteliğinde bir yöntem geliştirdi. 1S-DAug adlı bu teknik, sadece bir görüntüden yola çıkarak çeşitli varyasyonlar üretip bunları birleştirerek daha güvenilir tahminler yapabiliyor. Geleneksel makine öğrenmesi yöntemlerinin binlerce örnek gerektirdiği durumlarda, bu yeni yaklaşım minimal veriyle maksimum performans elde etmeyi hedefliyor. miniImageNet veri setinde %20'ye varan doğruluk artışı sağlayan sistem, mevcut modellere eklenti olarak entegre edilebiliyor. Bu gelişme, tıbbi görüntü analizi ve nadir türlerin tanınması gibi sınırlı veri bulunan alanlarda yapay zeka kullanımına yeni kapılar açıyor.

Araştırmacılar, kanser tanısında kullanılan bütün slayt görüntü analizi için yeni bir yapay zeka mimarisi geliştirdi. MambaBack adlı bu sistem, hem yerel hücresel yapıları hem de global bağlamları etkili şekilde modelleyerek mevcut yöntemlerin üç temel sorununu çözüyor. Patoloji alanında kullanılan Multiple Instance Learning yaklaşımının geliştirilmiş hali olan bu teknoloji, 2D uzamsal yerelliği korurken ince taneli hücresel yapıları daha iyi analiz edebiliyor. Ayrıca kaynak kısıtlı cihazlarda bile düşük bellek kullanımıyla çalışabilen sistem, kanser teşhisinin hızlanmasına ve daha erişilebilir hale gelmesine katkı sağlayabilir.

Yüksek enerji fiziği araştırmalarında kullanılan dev veri setleri, geleneksel bilgisayarların işlem gücünü zorlayan karmaşık analizler gerektiriyor. Araştırmacılar bu soruna çözüm olarak, kuantum bilgisayarların hesaplama gücünü klasik yapay zeka modelleriyle birleştiren yeni bir yaklaşım geliştirdi. Federated learning adı verilen dağıtık öğrenme sistemi ile kuantum destekli LSTM modellerini harmanlayan bu yöntem, parçacık fiziği verilerindeki karmaşık ilişkileri daha etkili şekilde analiz edebiliyor. Mevcut kuantum bilgisayarların sınırlılıklarını aşmak için geliştirilen bu hibrit sistem, hesaplama yükünü farklı sunuculara dağıtarak hem maliyeti düşürüyor hem de performansı artırıyor. Çalışma, kuantum teknolojisinin bilimsel araştırmalardaki pratik uygulamalarına önemli bir örnek teşkil ediyor.

Araştırmacılar, alçak Dünya yörüngesindeki uydu ağları için yeni bir yapay zeka öğrenme sistemi geliştirdi. CroSatFL adı verilen bu sistem, uyduların kendi aralarında veri paylaşarak öğrenmesini sağlarken enerji tüketimini dramatik şekilde azaltıyor. Geleneksel sistemlerde uyduların sürekli Dünya ile iletişim kurması gerekiyordu, ancak yeni yaklaşım uyduların lazer bağlantılar kullanarak kendi aralarında bilgi alışverişi yapmasına olanak tanıyor. Bu, hem enerji tasarrufu hem de daha hızlı öğrenme anlamına geliyor. Sistem, uyduların sınırlı güç kaynaklarını göz önünde bulundurarak tasarlandı ve uzay tabanlı bilgi işlem ağlarının sürdürülebilirliğini artırıyor. Gelişen uydu mega takımyıldızları için önemli bir teknolojik adım olan bu çalışma, uzayda autonomous AI sistemlerinin yaygınlaşması yolunda kritik bir milestone oluşturuyor.

Araştırmacılar, büyük dil modellerinin eğitiminde devrim niteliğinde bir yöntem geliştirdi. Aletheia adındaki bu sistem, modelin hangi katmanlarının belirli bir görev için daha önemli olduğunu tespit ediyor ve LoRA adaptörlerini yalnızca bu kritik katmanlara uyguluyor. 81 farklı deney ve 14 başarılı model üzerinde yapılan testlerde, yöntem ortalama %23 hız artışı sağladı. Sistem, 0.5 milyardan 72 milyar parametreye kadar değişen model boyutlarında test edildi ve performans kaybı yaşanmadan eğitim süresini önemli ölçüde kısalttı. Bu gelişme, AI modellerinin daha verimli şekilde özelleştirilmesini mümkün kılarak, araştırmacılar ve geliştiriciler için büyük avantaj sağlıyor.

Araştırmacılar, yapay zekanın az sayıda örnekle öğrenmesini sağlayan 'few-shot learning' alanında çığır açan bir yöntem geliştirdi. ACSESS adı verilen bu teknik, farklı örnek seçim stratejilerini otomatik olarak birleştirerek daha etkili sonuçlar elde ediyor. Çalışmada 23 farklı seçim stratejisi, 5 farklı yapay zeka modeli ve 14 veri seti üzerinde test edildi. Sonuçlar, birleştirilmiş stratejilerin tekil yöntemlerden sürekli olarak daha iyi performans gösterdiğini ortaya koydu. Bu gelişme, özellikle büyük dil modelleri ve görüntü işleme alanlarında önemli ilerlemeler sağlayabilir. Few-shot learning, yapay zekanın insan gibi az örnekle hızla öğrenmesini hedefleyen kritik bir araştırma alanı olarak dikkat çekiyor.