Hawaii Üniversitesi araştırmacılarının yeni çalışması, dünyaca ünlü Waikiki bölgesinin iklim değişikliği nedeniyle ciddi bir tehlikle karşı karşıya olduğunu ortaya koydu. Deniz seviyesindeki yükselme, bölgede sel riskinin doğasını tamamen değiştiriyor. Eskiden yalnızca yağmur kaynaklı seller yaşanan bölgede, artık gelgit etkisiyle oluşan kanalizasyon karışımı seller daha sık görülmeye başlanacak. Bu durum hem yerel halk hem de milyonlarca turist için ciddi sağlık riskleri yaratabilir. Araştırma, iklim değişikliğinin kıyı şehirlerinde yarattığı karmaşık sorunları gözler önüne sererken, altyapı sistemlerinin deniz seviyesi yükselişine uyum sağlaması gerektiğinin altını çiziyor.

Bilim insanları, açık okyanuslarda metan üretiminin ardındaki uzun süredir çözülemeyen gizemi aydınlattı. Araştırmacılar, besin maddesi kıtlığı yaşanan deniz ortamlarında mikroorganizmaların metan gazı ürettiğini keşfetti. Bu bulgu, iklim değişikliği açısından endişe verici sonuçlar doğurabileceği için büyük önem taşıyor. Küresel ısınma nedeniyle okyanusların sıcaklığı arttıkça, besin maddelerinin deniz katmanları arasında karışımı azalıyor. Bu durum, besin kıtlığına uyum sağlamış metan üreten mikroorganizmaların daha da çoğalmasına yol açabilir. Sonuç olarak denizlerden atmosfere salınan metan miktarının artması ve bunun da iklim değişikliğini hızlandıran bir geri besleme döngüsü oluşturması söz konusu.

MIT ve Stanford araştırmacıları, makine öğrenmesinde yaygın kullanılan ensemble yöntemlerinin zaman serisi verileri gibi birbirine bağımlı veri kümelerinde neden beklenenden daha düşük performans gösterdiğini matematiksel olarak açıkladı. Çoğunluk oylama sistemleri normalde bağımsız modelleri birleştirerek daha iyi sonuçlar verir, ancak Markov bağımlılığı olan verilerde bu avantaj azalır. Çalışma, bu sorunu teorik olarak tanımlarken aynı zamanda grafik düzenli veri yapılarında optimal performans gösteren uyarlanabilir bir algoritma da geliştirdi. Bulgular, finansal tahminler, pekiştirmeli öğrenme ve uzaysal veri analizinde ensemble modellerinin daha etkili kullanımı için yol gösterici nitelikte.

Kendisini çevre dostu bir blockchain olarak tanıtan Chia Network'ün gerçek çevresel etkisi, araştırmacılar tarafından kapsamlı bir şekilde incelendi. Proof of Space and Time (PoST) konsensüs mekanizması kullanan Chia, geleneksel Proof-of-Work sistemlerine sürdürülebilir bir alternatif olduğunu iddia ediyor. Ancak Grid'5000 test ortamında yapılan deneysel ölçümler ve teorik modellemeler, Chia'nın yıllık karbon emisyonunun 0.88 milyon ton CO2'ye ulaştığını ortaya koydu. Bu miktar, şirketin iddia ettiği değerin tam 18 katı. Araştırma, Chia'nın kaynak-yoğun başlatma aşaması ve devam eden operasyonlarının, diğer 'yeşil' blockchain'leri büyüklük sırası olarak geride bıraktığını gösteriyor.

Yazılım geliştirme süreçlerinde giderek daha fazla kullanılan büyük dil modelleri ve çok ajanlı sistemlerin adalet açısından değerlendirildiği kapsamlı bir araştırma yayınlandı. 350 çalışmadan elenen 18 araştırmanın analiz edildiği çalışmada, bu sistemlerin yazılımcı araçlarında nasıl önyargılara yol açabileceği inceleniyor. Araştırma, hangi kodların yazıldığı, gözden geçirildiği ve piyasaya sürüldüğü konularında bu sistemlerin etkisinin arttığını, ancak adalet boyutunun yeterince araştırılmadığını ortaya koyuyor. Çalışma, önyargı azaltma, demografik eşitlik ve sistem içi etkileşim dinamiklerini kapsayan çok boyutlu bir adalet çerçevesi sunuyor.

Araştırmacılar, derin öğrenme modellerinin belirli bilgileri seçici ve güvenli şekilde unutmasını sağlayan yeni bir algoritma geliştirdi. Graph-Propagated Projection Unlearning (GPPU) adlı bu yöntem, görüntü ve ses işleme modellerinde istenmeyen sınıf bilgilerini kalıcı olarak silmeyi mümkün kılıyor. Sistem, graf tabanlı yayılım kullanarak özellik uzayında sınıfa özgü yönleri tespit ediyor ve bu bilgileri dik alt uzaya yansıtarak etkisiz hale getiriyor. Altı görüntü veri seti ve iki büyük ses veri seti üzerinde yapılan testlerde, GPPU'nun mevcut yöntemlere göre 10-20 kat daha hızlı çalıştığı ve hem CNN hem de Transformer mimarilerinde başarılı sonuçlar verdiği görüldü. Bu gelişme, veri mahremiyeti düzenlemeleri ve uyarlanabilir sistem tasarımı açısından büyük önem taşıyor.

Büyük dil modellerinin (LLM) öngörülemeyen davranışlar sergilemesinin ardındaki temel sebep ortaya çıkarıldı. ArXiv'de yayınlanan yeni araştırma, bu modellerin kaotik davranışlarının sayısal hassasiyet sınırlarından kaynaklandığını gösteriyor. Bilim insanları, kayan nokta sayılarındaki küçük yuvarlama hatalarının transformer katmanları boyunca nasıl yayıldığını ve büyüdüğünü izledi. Araştırmacılar, erken katmanlarda 'çığ etkisi' adını verdikleri kaotik bir fenomen keşfetti - küçük değişiklikler ya hızla büyüyor ya da tamamen sönüyor. Bu bulgular, yapay zeka sistemlerinin güvenilirliği için kritik önem taşıyor. Özellikle LLM'lerin otonom süreçlerde kullanımı arttıkça, bu öngörülemezlik ciddi bir güvenilirlik sorunu haline geliyor. Çalışma, farklı ölçeklerdeki modellerin üç farklı davranış rejimi sergilediğini ortaya koyuyor.

Büyük dil modellerinin kararlarını nasıl aldığını anlamak, yapay zekanın güvenilirliği için kritik önem taşıyor. Araştırmacılar, GPT benzeri modellerin hangi kelimelerin etkisiyle belirli çıktılar ürettiğini açıklayan yeni bir yöntem geliştirdi. HETA adlı bu sistem, mevcut tekniklerin aksine, sadece kodlayıcı tabanlı değil, üretici modeller için özel olarak tasarlandı. Yöntem, kelimelerin birbirini nasıl etkilediğini, hassasiyet puanlarını ve bilgi kaybını bir arada değerlendireyor. Bu sayede modelin düşünce sürecini daha doğru bir şekilde haritalayabiliyor. Geliştirilen sistem, özellikle otoregresif üretim yapan modellerin karmaşık nedensel ilişkilerini yakalayabildiği için önemli bir ilerleme sayılıyor. Araştırma, yapay zekanın açıklanabilirliği konusunda yeni bir standart oluşturma potansiyeli taşıyor.

Araştırmacılar, insanların farklı görevler arasında geçiş yapma yeteneği olan bilişsel esnekliği yapay zeka modellerinde nasıl geliştirebileceğini inceledi. Çalışma, çok görevli öğrenme ortamlarında görev yapısının ve çevre koşullarının bilişsel esneklik üzerindeki etkisini araştırıyor. Önceki bilgileri korurken (bilişsel kararlılık) yeni görevlere de aktarabilme (bilişsel genelleme) kabiliyeti, hem insanlar hem de yapay zeka sistemleri için kritik öneme sahip. Araştırmada graf teorisi yöntemleri kullanılarak tasarlanan özel öğrenme ortamında, dikkat tabanlı modellerin görevleri bileşenlerine ayırabildiği ve sıralı dikkat mekanizmaları geliştirebileceği gösterildi. Bu bulgular, gelecekteki yapay zeka sistemlerinin daha esnek ve adaptif olmasına katkı sağlayabilir.

Araştırmacılar, tıbbi metin analizi için yeni bir yapay zeka sistemi geliştirdi. L2D-Clinical adlı bu sistem, ne zaman uzmanlaşmış BERT modellerini, ne zaman ise büyük dil modellerini kullanması gerektiğini kendi kendine öğrenebiliyor. Sistem, belirsizlik sinyallerini ve metin özelliklerini analiz ederek hangi durumda hangi modelin daha başarılı olacağını tahmin ediyor. İlaç yan etkisi tespiti ve tedavi sonucu sınıflandırması gibi görevlerde test edilen sistem, tek bir model kullanmaya kıyasla daha yüksek doğruluk oranları elde etti. Bu yaklaşım, tıbbi yapay zeka uygulamalarında farklı modellerin güçlü yanlarını birleştirerek daha güvenilir sonuçlar elde etmeyi mümkün kılıyor.

Yapay zeka sistemlerinin görsel ve dil bilgilerini birleştirme konusundaki zayıflığını gidermek için yeni bir yöntem geliştirildi. Araştırmacılar, kelimelerin somutluk seviyesinin öğrenme sürecindeki etkisine odaklanarak ConcretePlant adlı sistemi önerdi. Bu yaklaşım, AI modellerinin kelime sırası ve özellik bağlama gibi temel kompozisyonel mantık yürütme becerilerindeki eksiklikleri gidermeyi hedefliyor. Somut kavramları sistematik olarak değiştirerek daha güçlü öğrenme sinyalleri üreten method, geleneksel yöntemlere göre önemli avantajlar sunuyor.