Stanford araştırmacıları, yetişkinlerin yeni bir dil öğrenirken beyin aktivitelerini 7 gün boyunca takip etti. 102 katılımcının yapay bir dil öğrenme sürecini fMRI ile görüntüleyen çalışma, beynin tahmin ve geri bildirim sinyallerini nasıl farklı şekilde işlediğini ortaya koydu. Transformer yapay zeka modelleriyle karşılaştırma yapan araştırma, grup düzeyinde tahmin odaklı işlemlerin daha baskın olduğunu, ancak bireysel öğrenme başarısının geri bildirim mekanizmalarıyla daha güçlü ilişki gösterdiğini buldu. Çalışma, dil öğrenme sürecinde beynin duyusal ağlardan üst düzey dil ve çağrışım ağlarına geçiş yaptığını göstererek, soyutlama sürecinin nöral temellerini aydınlatıyor. Bu bulgular, kişiselleştirilmiş dil öğretim yöntemlerinin geliştirilmesine katkı sağlayabilir.

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, 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, 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.