Araştırmacılar, fırçalanmış metal yüzeyler ve fiber yapılar gibi mikro geometrilere sahip malzemelerin 3D görselleştirilmesi için yeni bir yöntem geliştirdi. Bu malzemeler, altında yatan küçük yapılarının şekli ve düzenlenişi nedeniyle ışığı farklı yönlerde dağıtır ve yüksek çözünürlük gerektirir. Geleneksel voksel verisi elde etme süreci zaman alıcı ve bellek yoğun olup, çoğu görüntüleme yaklaşımı piksel başına hesaplama sayısını azaltmak için ek Detay Seviyesi (LoD) veri yapıları gerektirir. Yeni araştırma, birden fazla çözünürlük seviyesinde hızlı veri toplama için tasarlanmış verimli paralel vokselleştirme yöntemi ve daha iyi doğruluk sağlayan hiyerarşik SGGX kümeleme tabanlı yeni bir temsil sunuyor. CUDA tabanlı bu yaklaşım, mikro geometri görüntüleme alanında önemli bir ilerleme kaydediyor.

Araştırmacılar, gözenekli malzemelerde gaz akışını modelleyen Darcy-Forchheimer denklemlerini çözmek için yeni bir iteratif yöntem geliştirdi. Bu matematik tabanlı çalışma, özellikle yanma süreçlerinde karşılaşılan karmaşık gaz akış problemlerinin daha verimli çözülmesini sağlıyor. Geliştirilen yöntem, zaman ve uzay boyutlarında farklı sayısal teknikler kullanarak her zaman adımında ortaya çıkan doğrusal olmayan denklem sistemlerini çözüyor. Yapılan testler, yöntemin geleneksel çözücülerle karşılaştırıldığında güçlü doğrusal olmayan etkiler gösteren problemlerde daha güvenilir ve rekabetçi sonuçlar verdiğini ortaya koyuyor.

Büyük dil modellerinin (LLM) çalışma hızını artıran yeni bir bellek yönetim sistemi geliştirildi. KV Packet adlı bu sistem, yapay zeka modellerinin önceki hesaplamalarını tekrar kullanma biçimini değiştirerek, işlem yükünü neredeyse sıfıra indiriyor. Geleneksel sistemlerde, bir belge farklı bağlamda kullanıldığında tüm hesaplamalar yeniden yapılıyor ve bu da önemli zaman kaybına yol açıyordu. Yeni yaklaşım ise belgeleri değiştirilemez 'paketler' olarak ele alıp, hafif eğitilebilir adaptörlerle sararak bu sorunu çözüyor. Llama-3.1 ve Qwen2.5 modellerinde yapılan testler, sistemin mevcut yöntemlere göre çok daha az işlem gücü kullandığını ve ilk yanıt sürelerini önemli ölçüde kısalttığını gösteriyor. Bu gelişme, yapay zeka asistanlarının daha hızlı ve verimli çalışmasının önünü açıyor.

Araştırmacılar, zaman serisi verilerinde tahmin yaparken karşılaşılan yanlılık sorununu çözen yeni bir algoritma geliştirdi. Bias-Corrected Adaptive Conformal Inference (BC-ACI) adlı bu yöntem, özellikle veri dağılımında değişiklikler yaşandığında ortaya çıkan sistematik hataları otomatik olarak düzeltebiliyor. Geleneksel yöntemler bu durumda sadece tahmin aralıklarını genişleterek aşırı temkinli sonuçlar üretirken, BC-ACI hem yanlılığı düzeltiyor hem de tahmin aralıklarını yeniden merkezleyerek daha hassas sonuçlar veriyor. 688 farklı test senaryosunda yapılan deneylerde, algoritmanın başarılı performans gösterdiği kanıtlandı.

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.

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, tıbbi metin analizi için yeni bir yapay zeka sistemi geliştirdi. L2D-Clinical adlı bu sistem, ne zaman uzmanlaşmış BERT modellerini, ne zaman ise büyük dil modellerini kullanması gerektiğini kendi kendine öğrenebiliyor. Sistem, belirsizlik sinyallerini ve metin özelliklerini analiz ederek hangi durumda hangi modelin daha başarılı olacağını tahmin ediyor. İlaç yan etkisi tespiti ve tedavi sonucu sınıflandırması gibi görevlerde test edilen sistem, tek bir model kullanmaya kıyasla daha yüksek doğruluk oranları elde etti. Bu yaklaşım, tıbbi yapay zeka uygulamalarında farklı modellerin güçlü yanlarını birleştirerek daha güvenilir sonuçlar elde etmeyi mümkün kılıyor.

Dark Energy Spectroscopic Instrument (DESI), şimdiye kadar yapılmış en detaylı evren araştırmasını tamamladı. Bu çalışma kapsamında 47 milyon galaksi ve kuasar haritalandırılarak evrenin en kapsamlı üç boyutlu haritası oluşturuldu. Araştırmanın en dikkat çekici bulgusu, karanlık enerjinin zaman içinde zayıflamış olabileceğine dair işaretler sunması. Bu keşif, evrenin genişlemesini hızlandıran gizemli güç olan karanlık enerji hakkındaki mevcut teorilerimizi gözden geçirmemizi gerektirebilir. DESI'nin elde ettiği veriler, kozmologların evrenin geçmişini ve geleceğini anlamamızda devrim yaratabilir.

Harvard araştırmacıları, kalabalık ortamlarda çalışan robot sürülerinin karşılaştığı trafik sıkışıklığı problemine beklenmedik bir çözüm buldu. Robotların hareket rotalarına küçük rastgele sapmalar eklemek, onların birbirlerini bloke etmesini önlüyor ve genel verimliliği artırıyor. Bu basit değişiklik, düz çizgilerde hareket eden robotların aksine, hafif 'kıvrak' hareketlerle birbirlerinin yanından geçebilmesini sağlıyor. Araştırma, daha fazla robotun her zaman daha hızlı sonuç anlamına gelmediğini, aksine kalabalık ortamlarda işlerin tamamen durma noktasına gelebileceğini ortaya koyuyor. Bu keşif, gelecekte depo otomasyonu, kurtarma operasyonları ve akıllı şehir uygulamalarında kullanılacak robot sürüleri için önemli bir gelişme.

Binlerce yıl öncesinde yaşayan ailelerin de günümüzdeki gibi kan bağıyla bağlı olmayan üyelerle birlikte yaşadığını gösteren arkeolojik bulgular ortaya çıktı. DNA analizi ve mezar kazılarının birlikte değerlendirildiği araştırmalar, antik dönemlerde ailelerin sadece biyolojik akrabalığa dayalı olmadığını kanıtlıyor. Üvey ebeveynler, evlatlık çocuklar veya yakın aile dostları gibi kan bağı bulunmayan kişiler de ailenin tam üyesi olarak kabul ediliyor ve aynı mezarlıklarda defnediliyordu. Bu bulgular, modern toplumlarda gözlemlenen 'seçilmiş aile' kavramının aslında insanlık tarihinde çok daha eskiye dayandığını gösteriyor. Arkeologlar, antik mezarlarda yan yana gömülen kişilerin DNA testleriyle her zaman akraba çıkmadığını, ancak mezar eşyalarının ve gömülme şekillerinin aile bağı olduğunu işaret ettiğini belirtiyor.

Araştırmacılar, yapay zeka sistemlerinin metin sınıflandırmasında belirsizliklerini tahmin edebilmesi için yeni bir yöntem geliştirdi. HolUE adlı bu yaklaşım, sistemin ne zaman hata yapabileceğini önceden tahmin ederek, bilinmeyen durumlarla karşılaştığında 'bilmiyorum' diyebilmesini sağlıyor. Yöntem, iki temel belirsizlik kaynağını ele alıyor: kullanıcının belirsiz sorularından kaynaklanan 'metin belirsizliği' ve veri dağılımındaki belirsizliklerden kaynaklanan 'galeri belirsizliği'. Test sonuçları oldukça etkileyici - farklı veri setlerinde mevcut yöntemlere göre %40 ile %365 arasında iyileşme sağlandı. Bu gelişme, özellikle güvenilir yapay zeka sistemleri için kritik önem taşıyor.