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, milyarlarca parametreli yapay zeka modellerini yeniden eğitmeden küçültebilen yeni bir framework geliştirdi. MOONSHOT adlı bu sistem, mevcut model sıkıştırma yöntemlerinin tek hedefli yaklaşımlarının yetersizliklerini gidererek, hem katman bazında yeniden yapılandırma hatalarını hem de eğitim kaybının matematiksel yaklaşımlarını aynı anda optimize ediyor. Bu çoklu hedefli strateji, farklı mimarilerde ve sıkıştırma seviyelerinde daha tutarlı sonuçlar veriyor. Framework, mevcut budama algoritmalarının etrafına sarılabilen esnek bir yapıya sahip ve büyük dil modellerinden görüntü işleme modellerine kadar geniş bir yelpazede kullanılabiliyor.

Araştırmacılar, modern şifreleme sistemlerindeki gizli zayıflıkları tespit etmek için yapay zeka destekli yeni bir yöntem geliştirdi. Neural Stringology Cryptanalysis adı verilen bu yaklaşım, geleneksel güvenlik testlerinin gözden kaçırabileceği yapısal anormallikleri makine öğrenmesi ile ortaya çıkarıyor. Özellikle ChaCha20 gibi yaygın kullanılan akım şifrelerini hedef alan sistem, metin analizi tekniklerini sinir ağlarıyla birleştiriyor. Bu yöntem, şifreleme algoritmalarının ürettiği anahtar dizilerindeki gizli kalıpları analiz ederek, daha önce fark edilmeyen güvenlik açıklarını tespit edebiliyor. Çalışma, siber güvenlik alanında yeni bir paradigma sunarak, şifreleme sistemlerinin dayanıklılığını değerlendirmek için daha sofistike araçların gerekliliğini vurguluyor.

Stanford araştırmacıları, yeraltı rezervuarlarının özelliklerini belirlemek için fizik kurallarını yapay zeka ile birleştiren yenilikçi bir yöntem geliştirdi. Bu teknik, petrol rezervuarları, jeotermal enerji kaynakları ve CO₂ depolama alanları gibi yeraltı yapılarının daha doğru haritalanmasını sağlıyor. Geleneksel yöntemlerin aksine, sınırlı basınç ölçümleriyle bile güvenilir sonuçlar üretebilen sistem, özellikle nadir görülen aşırı basınç olaylarını da başarıyla modelleyebiliyor. Makine öğrenmesi algoritmaları içine fizik simülatörleri gömülerek geliştirilen bu yaklaşım, hem hesaplama maliyetlerini düşürüyor hem de fiziksel tutarlılığı koruyor. Yöntem, enerji sektöründen çevre koruma uygulamalarına kadar geniş bir kullanım alanı sunuyor ve yeraltı kaynak yönetiminde devrim yaratma potansiyeli taşıyor.

Amsterdam Üniversitesi araştırmacıları, kimya sentezi optimizasyonu için otonom laboratuvar sistemi geliştirdi. Nature Synthesis dergisinde yayınlanan çalışmada tanıtılan RoboChem Flex, sadece 5 bin dolar maliyetle herhangi bir laboratuvarda kurulabiliyor. Modüler tasarıma sahip sistem, büyük ve küçük tüm sentez laboratuvarlarının ihtiyaçlarını karşılayacak şekilde tasarlandı. Araştırmacılar, sistemin yapım detaylarını tamamen açık kaynak olarak paylaştı. 'İnsan döngüde' analitik özelliği sayesinde araştırmacılar sürece müdahale edebiliyor. Van 't Hoff Moleküler Bilimler Enstitüsü'nden Prof. Timothy Noël liderliğindeki ekip, bu geliştirmeyle laboratuvar otomasyonunu demokratikleştirmeyi hedefliyor. Sistem, kimyasal reaksiyon koşullarını optimize etmek için yapay zeka algoritmaları kullanıyor.