Araştırmacılar, iki boyutlu derin evrişimsel sinir ağlarının (CNN) karmaşık matematiksel fonksiyonları nasıl yaklaştırdığını inceledi. Korobov fonksiyonları üzerinde yapılan çalışmada, CNN'lerin çok katmanlı yapısının ve ReLU aktivasyon fonksiyonlarının, boyut lanetini önemli ölçüde azalttığı ortaya çıktı. Boyut laneti, matematiksel problemlerde boyut sayısı arttıkça hesaplama karmaşıklığının katlanarak artması sorunudur. Araştırma, CNN'lerin sürekli ağırlık seçimi modelinde neredeyse optimal yaklaşım oranları elde edebildiğini gösterdi. Bu bulgular, yapay zeka ağlarının fonksiyon yaklaşımı alanındaki potansiyelini ortaya koyarken, CNN'lerin teorik temellerini güçlendiriyor.

Araştırmacılar, fizik yasalarını öğrenen yapay sinir ağlarının (PINN) eğitimindeki yavaş yakınsama ve kararsızlık sorunlarını çözmek için yeni bir optimizasyon yaklaşımı geliştirdi. Geleneksel optimizasyon algoritmalarına entegre edilebilen bu hafif çerçeve, kayıp fonksiyonunun geometrik özelliklerini dikkate alarak eğitim sürecini hızlandırıyor. Yöntem, ardışık gradyan farklarını kullanarak yerel geometrik değişimleri tespit ediyor ve buna göre adaptif düzeltmeler yapıyor. Çeşitli kısmi diferansiyel denklem problemlerinde test edilen sistem, mevcut yöntemlere göre daha hızlı yakınsama, kararlı eğitim ve yüksek çözüm doğruluğu sağladığını kanıtladı. Bu gelişme, fizik simülasyonlarından mühendislik problemlerine kadar geniş bir yelpazede PINN kullanımını daha verimli hale getirebilir.

Robotik alanı büyük bir dönüşüm yaşıyor. Tek görevli, sabit robotlardan çok fonksiyonlu, genel amaçlı ajanlar yaratma yolunda ilerleyen bu alan, Temel Modeller (Foundation Models) sayesinde devrim niteliğinde gelişmeler kaydediyor. Bu büyük ölçekli yapay sinir ağları, çok modlu anlama, uzun vadeli planlama ve farklı robot türleri arasında genelleme yapabilme kabiliyetleri sunuyor. Yeni kapsamlı inceleme, robotik alanında Temel Modellerin kullanımını beş farklı araştırma evresi üzerinden değerlendiriyor. Doğal dil işleme ve bilgisayarlı görme modellerinin robotikle entegrasyonundan başlayarak günümüzün gelişmiş sistemlerine kadar uzanan bu süreç, robotların karmaşık, değişken ortamlarda çalışabilir hale gelmesini sağlıyor. Bu teknolojik ilerleme, robotları dar uzmanlık alanlarından çıkarıp günlük yaşamda daha etkili asistanlar haline getirme potansiyeli taşıyor.

Araştırmacılar, karmaşık fizik problemlerini çözmek için yeni bir Python kütüphanesi geliştirdi. DVF-CRVPINN adlı bu sistem, kısmi diferansiyel denklemleri ayrık zayıf formülasyonlarla çözebiliyor. Sistem, sinir ağlarını kullanarak fizik denklemlerini discrete (ayrık) nokta kümelerinde tanımlamaya ve çözmeye olanak sağlıyor. Özellikle iki boyutlu Stokes denklemleri gibi zorlu hesaplama problemlerine odaklanıyor. Bu gelişme, mühendislik ve fizik alanlarında kompleks hesaplamalı akışkanlar dinamiği problemlerinin daha etkili çözülmesine olanak tanıyor. Geleneksel sayısal yöntemlere alternatif olan bu yaklaşım, otomatik türev alma ve discrete gradyan hesaplamalarını birleştiriyor.

Araştırmacılar, p-Laplacian denklemlerini çözmek için geliştirilmiş süreksiz Galerkin yöntemlerinde önemli bir ilerleme kaydetti. Bu matematiksel yaklaşım, geleneksel düzenli ağ yapılarının ötesine geçerek, keyfi şekilli ve eğrisel çokgen/çok yüzlü elemanlardan oluşan ağlarda da çalışabiliyor. Yöntemin kararlılığını garanti eden yeni teorik kanıtlar sunuldu ve hp-versiyonunda hata tahminleri geliştirildi. Bu çalışma, mühendislik ve fizik uygulamalarında karşılaşılan karmaşık geometrilerdeki diferansiyel denklemlerin çözümünde önemli pratik avantajlar sunuyor. Özellikle akışkanlar dinamiği, yapısal mekanik ve elektromanyetik alan hesaplamalarında kullanılan p-Laplacian denklemleri için daha esnek ve güvenilir çözüm yolları açıyor.

Araştırmacılar, büyük boyutlu veri setlerindeki yapısal değişimleri tespit etmek için yeni bir matematiksel yöntem geliştirdi. Quasi-maksimum olabilirlik tahmin edicisi kullanan bu yöntem, faktör modellerindeki çoklu kırılma noktalarını belirleyebiliyor. Model, yapısal değişiklikleri tekil ve döngüsel olmak üzere iki kategoriye ayırarak, her birini farklı stratejilerle analiz ediyor. Ekonomik verilerden sosyal ağlara kadar geniş bir uygulama alanına sahip olan bu yöntem, büyük veri analizinde önemli bir adım olarak değerlendiriliyor.

Amerikan İç Savaşı döneminde West Point askeri akademisindeki öğrenciler üzerinde yapılan yeni bir araştırma, sosyal ağların ve arkadaş etkisinin büyük yaşam kararlarında ne kadar belirleyici olabileceğini ortaya koyuyor. Çalışma, güneyli öğrencilerin hangi orduya katılacağı kararının, sınıf arkadaşlarının kökenine göre değiştiğini gösteriyor. Özgür eyaletlerden gelen arkadaşları daha fazla olan güneyli öğrencilerin, Birlik Ordusu'na katılma olasılığının önemli ölçüde arttığı tespit edildi. Bu etki özellikle köle sahipliği oranının yüksek olduğu bölgelerden gelen öğrencilerde daha belirgin. Araştırma, sosyal etkileşimlerin tarihsel süreçlerdeki rolünü anlamak için önemli ipuçları sunuyor.

Plazma fiziğinde büyük ölçekli simülasyonlar yapabilmek için karmaşık matematiksel kapanım ilişkilerine ihtiyaç duyuluyor. Araştırmacılar, bu zorlu problemi çözmek için makine öğrenmesi tekniklerini kullanmaya başladı. Yeni bir derleme çalışması, yapay zekanın plazma modellemesindeki uygulamalarını ve gelecekteki potansiyelini inceliyor. Bu yaklaşım hem uzay hem de laboratuvar plazma fiziği için kritik önem taşıyor.

Gelecek nesil 6G ağları, iletişim ve hesaplama kaynaklarını birden fazla alanda entegre eden devrimci bir ekosistem olarak tasarlanıyor. Araştırmacılar, IoT cihazlarından bulut sistemlerine kadar uzanan sürekli bir yapıda, görevlerin dinamik olarak dağıtılması ve kaynakların verimli tahsisi için deterministik bir yaklaşım geliştirdiler. Bu yenilikçi sistem, özellikle yüksek güvenilirlik gerektiren kritik hizmetlerde belirlenebilir performans seviyeleri sunarken, mevcut sistemlere kıyasla daha iyi ölçeklenebilirlik sağlıyor. IoT ve son kullanıcı cihazlarının yerel alt ağlar oluşturarak dağıtık görev işleme yapabilmesi, gelecekteki ağ yapılarının temelini oluşturuyor.

Araştırmacılar, polinom sinir ağlarının güvenilirliğini test etmek için matematiksel geometri tabanlı yeni bir yöntem geliştirdi. Çalışmada, yapay sinir ağlarının saldırılara karşı dayanıklılığını ölçmek için öklid mesafesi derecesi kullanılıyor. Bu yöntem, ağın karar sınırlarına olan mesafeyi hesaplayarak güvenlik yarıçapını belirliyor. Geliştirilen sembolik eliminasyon ve homotopi-devam yöntemleri, sinir ağlarının tam güvenlik sertifikasyonunu mümkün kılıyor. Lightning self-attention modülleri üzerinde yapılan deneyler, karar sınırlarının beklenenden daha düşük karmaşıklığa sahip olduğunu gösteriyor.

Araştırmacılar, karmaşık ağ yapılarını analiz etmek için kullanılan hipergraf verilerinden saklı kümeleri tespit etmenin yeni bir yöntemini geliştirdi. Hipergraflar, geleneksel grafların aksine ikiden fazla düğümü aynı anda bağlayabildiği için sosyal ağlardan biyolojik sistemlere kadar birçok alanda kritik öneme sahip. Ancak bu karmaşık yapılar genellikle daha basit matris formlarına dönüştürülüyor, bu süreçte önemli bilgiler kaybolabiliyor. Yeni çalışma, bu kayıpları en aza indirerek saklı kümeleri tespit edebilen spektral analiz yöntemleri öneriyor. Bulgular, √n ölçeğinde hem tespit hem de kurtarma işlemlerinin mümkün olduğunu matematiksel olarak kanıtlıyor.