İber Yarımadası'nın eski dillerini çözmek için yapay zeka teknolojileri devreye giriyor. Romalılar gelmeden önce İspanya ve Portekiz topraklarında konuşulan Paleohispanik diller, yüz yıllar boyunca dilbilimcilerin kafasını karıştırdı. Bu gizemli yazı sistemleri kısmen deşifre edilmiş olsa da, hiçbiri tam anlamıyla çözülemedi. Şimdi araştırmacılar, makine öğrenmesi algoritmalarının bu antik metinlerdeki kalıpları tespit ederek dil çözümleme sürecini hızlandırabileceğini düşünüyor. Yeni çalışmada, dağınık haldeki arkeolojik verilerin yapay zeka için uygun formata dönüştürülmesi hedefleniyor. Bu yaklaşım, geleneksel dilbilim yöntemlerinin yanında teknolojinin gücünü kullanarak antik medeniyetlerin dilsel miraslarını aydınlatabilir.

Araştırmacılar, yapay zeka destekli iki aşamalı bir sistem geliştirerek bilimsel algoritmaların performansını otomatik olarak artırmayı başardı. Sistem önce büyük dil modelleri kullanarak yeni yayınlanmış algoritmaları tespit ediyor, ardından Claude Code yapay zekası bu algoritmaları yeniden üreterek iyileştirmeler yapıyor. On bir farklı deneyde yapılan testlerde, her algoritmanın performansı tek bir iş günü içinde artırılabildi. Bu gelişme, bilimsel araştırmalarda yapay zekanın artan rolünü gösterirken, akademik yayıncılık ve hakemlik süreçleri için önemli sorular ortaya çıkarıyor.

Araştırmacılar, yazılım kodlarındaki güvenlik açıklarını ve bakım sorunlarını tespit edip otomatik olarak onarabilen yeni bir yapay zeka sistemi geliştirdi. 'Code Whisperer' adlı bu hibrit framework, graf tabanlı program analizi ile büyük dil modellerini birleştiriyor. Sistem, kodun yapısal özelliklerini ve anlamsal bağlamını aynı anda değerlendirerek, mevcut araçların ürettiği gereksiz uyarıları azaltıyor ve daha kullanışlı çözüm önerileri sunuyor. Çoklu programlama dili desteği sunan sistem, sadece graf analizi veya sadece dil modeli kullanan yaklaşımlardan daha başarılı sonuçlar elde ediyor.

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.

Stanford araştırmacıları, makine öğrenmesi algoritmalarının kendi hiperparametrelerini optimize edebileceği yeni bir yaklaşım geliştirdi. Langevin Gradyan İniş Algoritması (LGD) adı verilen bu yöntem, geçmiş deneyimlerden öğrenerek gelecekteki regresyon problemlerinde daha iyi performans gösterebiliyor. Araştırma, algoritmanın optimal hiperparametre yapılandırması ile Bayes optimal çözümüne ulaşabileceğini matematiksel olarak kanıtlıyor. Bu 'meta-öğrenme' yaklaşımı, AI sistemlerinin insan müdahalesi olmadan kendilerini geliştirme yetisini artırarak, otomatik makine öğrenmesi alanında önemli bir adım teşkil ediyor. Çalışma özellikle regresyon problemlerinde önceki elastic net yöntemlerinin sınırlarını aşarak, daha fazla hiperparametre ile çalışabilme imkanı sunuyor.

Araştırmacılar, termodinamik çevrimlerin tasarımında devrim yaratabilecek yeni bir yapay zeka sistemi geliştirdi. Geleneksel yöntemler uzman bilgisine dayalı ve zaman alıcıyken, bu yeni yaklaşım graf tabanlı hiyerarşik pekiştirmeli öğrenme kullanarak yüksek performanslı enerji dönüştürme sistemlerini otomatik olarak tasarlayabiliyor. Sistem, termodinamik çevrimleri matematiksel graflar halinde kodlayarak, bileşenleri düğümler ve bağlantıları kenarlar olarak temsil ediyor. İki seviyeli yapısında üst düzey yönetici yapısal evrimi keşfederken, alt düzey işçi parametreleri optimize ediyor. Bu yenilikçi yaklaşım, enerji verimliliği arayışında geleneksel tasarım sınırlarını aşma potansiyeli taşıyor ve gelecekteki enerji teknolojilerinin gelişiminde önemli rol oynayabilir.

Fukuoka Üniversitesi araştırmacıları, yapay zeka algoritmalarının dış mekan ortamlarını daha iyi tanımlayabilmesi için kapsamlı bir panoramik 3D veri seti geliştirdi. İki farklı veri seti içeren bu çalışma, orman, sahil, yerleşim yeri, şehir merkezi ve park alanları gibi altı farklı kategoriyi kapsıyor. İlk veri seti 9 milyon noktalık yoğun 3D taramalar içerirken, ikincisi araç üzerinde gerçek zamanlı olarak toplanan 70 bin noktalık seyrek verilerden oluşuyor. Araştırmacılar bu verileri kullanarak yapay zeka modellerini test ettiklerinde, yoğun verilerle %96,42, seyrek verilerle %89,67 doğruluk oranına ulaştılar. Bu veri setleri, otonom sürüş teknolojilerinden robotik uygulamalara kadar birçok alanda kullanılabilecek açık kaynak olarak sunuldu.

Araştırmacılar, robotların karmaşık ortamlarda güvenli hareket etmesini sağlayan yenilikçi bir kontrol sistemi geliştirdi. Geleneksel güvenlik kontrol sistemleri, robotların dinamiklerinin matematiksel olarak tam bilinmesini gerektiriyordu ve bu durum gerçek dünya uygulamalarında ciddi kısıtlamalar yaratıyordu. Yeni yaklaşım, pekiştirmeli öğrenme tekniklerini kullanarak robotların çevrelerindeki belirsizliklere karşı dayanıklı güvenlik engellerini öğrenmesini sağlıyor. Sistem, düşman yapay zeka algoritmaları kullanarak en kötü senaryoları simüle ediyor ve robotların bu durumlarda bile güvenli kalmasını garanti ediyor. Bu gelişme, otonom araçlardan endüstriyel robotlara kadar geniş bir uygulama yelpazesinde güvenliği artırabilir.

Araştırmacılar, büyük dil modellerinin bilimsel verileri analiz etme yeteneklerini değerlendirmek için yenilikçi bir sistem geliştirdi. InfiniteScienceGym adlı bu platform, gerçek bilimsel çalışmalardaki önyargı ve sınırlamaları ortadan kaldırarak sonsuz sayıda test senaryosu üretebiliyor. Sistem, algoritmaların bilimsel veri analizi, kanıt tabanlı muhakeme ve araç kullanımı becerilerini kontrollü bir ortamda test etmeyi mümkün kılıyor. Bu yaklaşım, yapay zekanın bilimsel asistan rolündeki performansını daha objektif şekilde ölçmek için kritik bir adım teşkil ediyor.

CVPR 2026 konferansının parçası olarak düzenlenen 4. Denizcilik Bilgisayarla Görme Atölyesi (MaCVi), deniz ortamlarında yapay zeka uygulamalarının geliştirilmesine odaklanıyor. Bu yılki etkinlik, hem tahmin doğruluğunu hem de gerçek zamanlı gömülü sistem uygulanabilirliğini vurgulayan beş farklı benchmark yarışması içeriyor. Deniz araçlarının otonom navigasyonu, gemi tespiti, deniz altı görüntüleme ve maritime güvenlik gibi alanlarda AI algoritmalarının performansını değerlendiren bu atölye, sektörün ihtiyaçlarına yönelik pratik çözümler sunuyor. Yarışmacı ekiplerin teknik raporları, gerçek dünya uygulamalarında karşılaşılan zorlukları ve çözüm yollarını ortaya koyuyor. Bu tür çalışmalar, denizcilik endüstrisinin dijital dönüşümünde önemli bir rol oynuyor.

Araştırmacılar, yapay zeka tabanlı arama sistemlerinde kritik bir sorunla karşı karşıya: kullanıcı davranışları zaman içinde değişince sistemin performansı düşüyor. Geleneksel arama sistemleri en yakın eşleşmeyi bulurken, yeni nesil sistemler her öğeye benzersiz tanımlayıcılar vererek aramayı metin üretimi problemi haline getiriyor. Bu yaklaşım başlangıçta etkili olsa da, kullanıcı etkileşim kalıpları değiştikçe tanımlayıcılar güncelliğini kaybediyor. Mevcut çözümler ya sabit tanımlayıcı setleri kullanıyor ya da sistemi sıfırdan yeniden eğitiyor. Bu durumda hem maliyet artıyor hem de sürekli güncelleme zorlaşıyor. Yeni araştırma, bu sorunun ne kadar ciddi olduğunu kronolojik testlerle analiz ediyor ve hafif, model-bağımsız bir güncelleme yöntemi öneriyor.