Yer gözlem uydularının hangi görüntüleme görevlerini ne zaman gerçekleştireceğini belirlemek karmaşık bir optimizasyon problemidir. Geleneksel yöntemler, uydu operasyonlarını kısıtlayan faktörlerin önceden tam olarak bilindiğini varsayar. Ancak gerçekte güç tüketimi, termal sınırlar ve gözlemler arası mesafe gibi kısıtlar genellikle mühendislik yazılımlarında gömülü haldedir. Araştırmacılar, bu bilinmeyen kısıtları öğrenebilen yeni bir yapay zeka yaklaşımı geliştirdi. Conservative Constraint Acquisition adlı bu yöntem, uydu programlama sürecinde kısıtları etkileşimli olarak keşfederek daha verimli çizelgeleme imkanı sunuyor.

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, bilgisayar programlarını otomatik olarak üreten yapay zeka sistemlerini hızlandırmak için yenilikçi bir yaklaşım geliştirdi. 'Presynthesis' adı verilen bu teknik, program sentezi sürecinde karşılaşılan temel bir sorunu çözüyor. Normalde daha ayrıntılı soyut semantikler kullanıldığında, yanlış programlar daha iyi ayıklanabilir ancak bu işlem daha uzun sürer. Yeni yaklaşım, çevrimdışı bir ön-hazırlık aşaması ekleyerek bu dengeyi optimize ediyor. İlk aşamada girdi uzayı için bir ağaç otomatı oluşturuluyor, ikinci aşamada ise bu otomatın gereksiz kısımları ayıklanıyor. Bu sayede program sentezi hem daha hızlı hem de daha verimli hale geliyor. Gelişme, otomatik kod üretimi ve yazılım geliştirme araçları için önemli iyileştirmeler vaat ediyor.

Bulut bilişimden kenar bilişime geçiş, yeni nesil akıllı sistemler için ciddi performans zorlukları yaratıyor. Araştırmacılar, bellek duvarı problemini çözmek için yenilikçi bir donanım-yazılım hibrit yaklaşımı geliştirdi. Tensor Bellek Motoru adı verilen bu sistem, veriyi bellekte ideal şekilde düzenleyerek önbellek performansını dramatik olarak artırıyor. Geleneksel veri yoğun uygulamalar ya kötü bellek erişimi sergiliyor ya da performans için aşırı bellek tüketimine zorlanıyor. Bu yeni teknoloji, işlemcinin veri yoluna şeffaf şekilde entegre edilerek, ticari SoC ve FPGA platformlarda uygulanabiliyor. Sistem, uygulamaların pahalı yeniden tasarım süreçlerine gerek kalmadan ideal önbellek yerelliği sağlamasına olanak tanıyor. Edge computing'in artan öneminde bu gelişme, mobil ve gömülü sistemlerde veri işleme performansını yeni boyutlara taşıyabilir.

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.