Kenya'daki Turkana Rift Zonu, yaklaşık 4 milyon yıl önce kıtasal ayrılmanın kritik aşamasına girdi. Bilim insanları, Doğu Afrika'nın iki parçaya ayrılma sürecinin daha önce tahmin edilenlerden farklı bir bölgede gerçekleştiğini keşfetti. Bu jeolojik süreç, milyonlarca yıl sonra yeni bir okyanusun doğmasına yol açabilir. Araştırmalar, kıtanın kopma sürecinin Main Ethiopian Rift yerine Turkana bölgesinde daha aktif olduğunu gösteriyor.

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, beyin kayıtlarını işleyen yapay zeka modellerini sistematik olarak değerlendirmek için NeuralBench adlı birleştirici bir framework geliştirdiler. İlk sürümü olan NeuralBench-EEG v1.0, 36 elektroensefalografi (EEG) görevi, 14 derin öğrenme mimarisi ve 94 veri setini kapsıyor. Bu kapsamlı değerlendirme platformu, nörobilim ve yapay zeka alanlarında önemli bulgular ortaya koyuyor. Özellikle mevcut temel modellerin göreve özel modellerden yalnızca marjinal olarak daha iyi performans gösterdiği ve birçok görevde (bilişsel kod çözme, klinik tahmin gibi) hala iyileştirme ihtiyacı olduğu tespit edildi. Bu standardize edilmiş değerlendirme sistemi, beyin-bilgisayar arayüzü teknolojilerinin geliştirilmesinde önemli bir adım teşkil ediyor.

Araştırmacılar, insan beyninden alınan verilerin yapay zeka modellerinin performansını ne kadar artırabileceğini matematiksel olarak inceledi. Çalışma, bir kişinin çözebileceği görevlerde beyin aktivitesi ölçümlerinin makine öğrenmesi modellerinin eğitimini destekleyebileceğini gösteriyor. Bilim insanları, beyin verilerinin model başarısını mütevazı düzeyde artırdığını ve dayanıklılığını güçlendirdiğini ortaya koydu. Ancak bu faydanın ne zaman ortaya çıktığı ve hangi koşullarda ne kadar etkili olduğu belirsizdi. Yeni araştırma bu soruları matematiksel olarak formüle ederek, basit bir lineer Gauss modeli kullanarak teorik çerçeve oluşturdu. Hem beyin verileri hem de görev etiketleri ile eğitilen çok modlu tahmin ediciler için performansın nasıl ölçeklendiğini gösteren yasalar türetildi. Bu yasalar sayesinde beyin örnekleri ile görev örnekleri arasındaki değer oranları hesaplandı.

Araştırmacılar, demir bazlı katalizörlerin performansını önceden tahmin eden yorumlanabilir makine öğrenmesi çerçevesi geliştirdi. Bu yenilikçi yaklaşım, metan dönüşümü gibi enerji yoğun uygulamalarda kullanılan katalizörlerin keşif sürecini hızlandırabilir. Sistem, SHAP tabanlı özellik önem analizi ve ağaç tabanlı topluluk algoritmalarını birleştirerek, katalizörlerin elektronik yapı özelliklerini ve performans ilişkilerini başarıyla çözümleyebiliyor. Geleneksel deneme-yanılma yöntemlerinin pahalı ve zaman alıcı olması nedeniyle bu tür akıllı yaklaşımlar, katalizör geliştirme alanında büyük önem taşıyor. Çalışma özellikle metan kısmi oksidasyonu için Fe-zeolit ve oksit destekli katalizörlere odaklanıyor.

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.

Bilim insanları, yoğunluk fonksiyonel teorisinde kullanılan geleneksel yaklaşımların hız-doğruluk ikilemini çözmek için yeni bir yapay zeka stratejisi geliştirdi. Araştırmacılar, genellik yerine doğruluğu tercih eden ve özellikle su molekülleri için optimize edilmiş bir sinir ağı modeli tasarladı. Bu 'aşırı öğrenme' yaklaşımı, sadece sekiz konfigürasyonla eğitilerek altın standart hesaplama yöntemlerine yakın sonuçlar elde etti. Model, iyonlaşma ve atomizasyon enerjilerinde 1 kcal/mol hata oranıyla çalışırken, spektral çizgiler ve elektron yoğunluğu dağılımı tahminlerini de önemli ölçüde geliştirdi.

Kimyasal hesaplamalarda kritik olan elektron korelasyonlarının belirlenmesi için yeni bir yapay zeka yaklaşımı geliştirildi. Ranking Configuration Interaction (RCI) adı verilen bu yöntem, moleküllerdeki elektron davranışlarını tahmin etmek için geleneksel yöntemlerden farklı olarak 'sıralama' stratejisi kullanıyor. Transformer mimarisi kullanan sistem, elektronların orbital bağımlılıklarını daha doğru modelleyerek, kimyasal reaksiyonların ve moleküler özelliklerin hesaplanmasında önemli iyileştirmeler sağlıyor. Bu gelişme, ilaç tasarımından malzeme bilimlerine kadar pek çok alanda hesaplama kimyasının geleceğini şekillendirebilir.

Araştırmacılar, malzemelerdeki iyon taşınımını tahmin etmek için yeni bir yapay zeka yöntemi geliştirdi. Geleneksel moleküler dinamik simülasyonları çok yavaş ve maliyetli olurken, mevcut AI yöntemleri de hata birikimine eğilimli. Yeni yaklaşım, eğitim sırasında atomik yörüngeleri yardımcı veri olarak kullanarak hem hızlı hem de doğru tahminler üretiyor. Bu gelişme, batarya teknolojisinden ilaç tasarımına kadar birçok alanda devrim yaratabilir. Sistem, statik atom yapılarından dinamik iyon davranışlarını öğrenmeyi başararak, malzeme bilimindeki büyük bir zorluğu çözüyor.

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, kimyasal bağlar ve molekül yapıları arasındaki karmaşık ilişkileri anlamak için TD∆SCF adı verilen yeni bir yöntem geliştirdiler. Bu yaklaşım, özellikle elektronları benzer enerji seviyelerinde bulunan karmaşık moleküllerin davranışlarını tahmin etmede önemli ilerlemeler sağlıyor. Geleneksel yoğunluk fonksiyoneli teorisi bu tür moleküllerle zorlanırken, yeni yöntem benzin ve hidrojen florür gibi çeşitli moleküllerde test edildi. Sonuçlar, yöntemin mevcut tekniklerden daha tutarlı ve güvenilir sonuçlar verdiğini gösteriyor. Bu gelişme, ilaç tasarımından malzeme bilimlerine kadar birçok alanda moleküler davranışları daha iyi anlamamızı sağlayabilir.