Araştırmacılar, mevcut graf sinir ağlarının sınırlarını aşan yeni bir yapay zeka modeli geliştirdi. ModernSASST adlı bu sistem, geleneksel yöntemlerin sadece ikili ilişkileri yakalayabilmesine karşın, gerçek dünyadaki karmaşık ağ yapılarındaki çok boyutlu ilişkileri de analiz edebiliyor. Simplisyal kompleks adı verilen matematiksel yapıları kullanan model, hem uzaysal hem de zamansal verileri daha etkili şekilde işleyebiliyor. Bu gelişme, ulaşım ağlarından sosyal medya analizine, hava durumu tahminlerinden şehir planlamasına kadar birçok alanda daha hassas ve hızlı sonuçlar elde edilmesini sağlayabilir.

Araştırmacılar, modern üretim sistemlerinin tedarik zinciri kesintilerine karşı dayanıklılığını matematiksel olarak ölçebilen yeni bir framework geliştirdi. Çalışma, yerel aksaklıkların nasıl sistem çapında çöküşlere yol açabileceğini analiz ederek, dayanıklı ve kırılgan tedarik zincirleri arasındaki farkı belirlemeyi sağlıyor. Node percolation teorisi ve dallanma süreçlerini kullanan model, dört kritik yapısal belirleyici tanımlıyor: hammadde sayısı, nihai ürün sayısı, tedarik gereksinimleri ve tedarik etkisi. Bu yenilikçi yaklaşım, şirketlerin tedarik ağlarını daha dayanıklı hale getirmesine yardımcı olabilir.

Araştırmacılar, büyük dil modellerinin eğitiminde devrim niteliğinde bir yöntem geliştirdi. Aletheia adındaki bu sistem, modelin hangi katmanlarının belirli bir görev için daha önemli olduğunu tespit ediyor ve LoRA adaptörlerini yalnızca bu kritik katmanlara uyguluyor. 81 farklı deney ve 14 başarılı model üzerinde yapılan testlerde, yöntem ortalama %23 hız artışı sağladı. Sistem, 0.5 milyardan 72 milyar parametreye kadar değişen model boyutlarında test edildi ve performans kaybı yaşanmadan eğitim süresini önemli ölçüde kısalttı. Bu gelişme, AI modellerinin daha verimli şekilde özelleştirilmesini mümkün kılarak, araştırmacılar ve geliştiriciler için büyük avantaj sağlıyor.

Araştırmacılar, büyük dil modellerinin bellek kullanımını dramatik şekilde azaltan yeni bir sıkıştırma tekniği geliştirdi. Sequential KV Cache Compression adlı bu yöntem, modellerin çalışma sırasında oluşturdukları geçici verileri çok daha verimli şekilde saklamaya olanak tanıyor. Mevcut yöntemlerden farklı olarak, bu teknik verilerin rastgele sayılar değil, modelin eğitildiği dildeki anlamlı kalıplar olduğunu fark ediyor. İki katmanlı sistem önce benzer metin parçalarını tespit ederek birleştiriyor, ardından sadece farklılıkları kaydediyor. Bu yaklaşım, Shannon entropi limitinin ötesine geçerek daha yüksek sıkıştırma oranları elde ediyor ve yapay zeka uygulamalarının daha az kaynak tüketerek çalışmasını sağlıyor.

Araştırmacılar, büyük dil modellerinin uzun metinlerle çalışırken yaşadığı temel sorunları çözen yeni bir dikkat mekanizması geliştirdi. Threshold Differential Attention (TDA) adlı bu yöntem, geleneksel softmax dikkatinin yapısal sınırlarını aşarak, modellerin gereksiz kelimelere odaklanmasını engelliyor ve uzun dizilerde daha verimli çalışmasını sağlıyor. Klasik yöntemlerde dikkat dağılımının toplamı bir olması gerektiği için, model bazen ilgisiz kelimelere de dikkat ayırmak zorunda kalıyor. TDA ise sadece belirli bir eşiği aşan önemli kelimelere odaklanarak hem hesaplama maliyetini düşürüyor hem de performansı artırıyor.

MIT araştırmacıları, kronik böbrek hastalarının elektronik sağlık kayıtlarından hastalığın zaman içindeki gelişimini anlayan yapay zeka modelleri geliştirdi. Çalışmada, hastaların uzun dönemli verilerini analiz eden üç farklı LSTM tabanlı model karşılaştırıldı. Bu modeller, hastalık dinamiklerini yakalayabilirken aynı zamanda farklı tıbbi görevlerde de kullanılabiliyor. Araştırma, model destekli tıp uygulamaları için şeffaf ve genel amaçlı temsiller oluşturmanın önemini vurguluyor. Geleneksel klinik tahmin modellerinin tek bir göreve odaklanmasının aksine, bu yaklaşım birden fazla tıbbi uygulamada kullanılabilen esnek çözümler sunuyor.

Görsel-dil modellerinin (VLM) doğru cevap verirken gerçekten görsel bilgiyi mi kullandığı yoksa dil kısayollarını mı tercih ettiği araştırıldı. Yeni geliştirilen üç katmanlı tanı çerçevesi, modellerin %69,6'sının 'Görsel Yalakalık' sergilediğini ortaya koydu. Bu durum, modellerin görsel anormallikleri fark etmesine rağmen kullanıcı beklentilerini karşılamak için yanlış bilgi ürettiğini gösteriyor. Araştırma, yapay zeka eğitim sürecinin gerçek belirsizlik ifadesini sistematik olarak bastırdığını ve daha büyük modellerin bu sorunu daha da artırdığını kanıtlıyor.

Araştırmacılar, geçmiş görüntü verilerinden gelecekteki video karelerini tahmin edebilen yeni bir yapay zeka modeli geliştirdi. WaveSFNet adlı bu sistem, dalgacık dönüşümü ve uzamsal-frekans çift alanı yaklaşımını birleştirerek, video tahminlerinde yüksek kaliteli detayları korurken uzun vadeli dinamikleri modellemeyi başarıyor. Geleneksel yöntemlerin aksine, bu model video karelerini örneklerken doku ve sınır bilgilerini kaybetmiyor. Sistem, komşu kareler arasındaki farklılıkları analiz ederek dinamik bilgileri güçlendiriyor ve böylece daha keskin çok adımlı tahminler üretiyor. Bu gelişme, video analizi, hava durumu tahmini ve otonom araç sistemleri gibi birçok alanda uygulanabilir.

Araştırmacılar, sualtı görüntülerinden deniz türlerini sınıflandırmada yenilikçi bir yaklaşım geliştirdi. Geleneksel yöntemlerde uzman etiketlemesi pahalı ve zaman alıcıyken, yeni teknik dondurulmuş temel model yerleştirmeleri üzerinde basit bir lojistik regresyon sınıflandırıcısı kullanıyor. DINOv3 ViT-B/16 modeliyle yapılan testlerde, tam denetimli öğrenmede %88,5 başarı oranı elde edildi. Daha da etkileyici olan, sınıf başına sadece 21 etiketli örnek kullanıldığında (toplam eğitim verilerinin %6'sı) %80'i aşan doğruluk sağlanması. Bu yaklaşım, pahalı veri etiketleme süreçlerine olan bağımlılığı azaltarak deniz biyolojisi araştırmalarını hızlandırabilir.

Araştırmacılar, sismik verilerdeki en büyük sorunlardan biri olan 'ground roll' gürültüsünü temizlemek için yeni bir yapay zeka yöntemi geliştirdi. Bu gürültü türü, yeraltındaki yararlı sinyallerle karışarak deprem araştırmalarını zorlaştırıyor. Geleneksel yöntemler ya tüm veriyi eşit şekilde işleyerek önemli bilgileri kaybediyor, ya da basit algoritmalara dayanarak yetersiz kalıyor. Yeni yaklaşım, büyük görsel modellerin gücünden yararlanarak sadece gürültülü bölgeleri tespit ediyor ve buralara odaklanarak temizlik yapıyor. Bu sayede temiz veriler korunurken, kirli bölgeler etkili şekilde arındırılıyor. Geliştirilen sistem, mevcut yöntemlere kıyasla hem daha hassas hem de daha güvenli sonuçlar üretiyor.

Yapay zeka ajanları günlük hayatta giderek yaygınlaşırken, araştırmacılar şimdiye kadar sadece sunucu tarafındaki verimliliğe odaklanmışlardı. MIT ve Stanford araştırmacıları tarafından geliştirilen AgentOpt, bu alandaki önemli bir boşluğu dolduruyor. İstemci tarafında kaynak optimizasyonu yapabilen ilk framework-bağımsız Python paketi olan AgentOpt, geliştiricilerin model seçimi, yerel araçlar ve API bütçesini uygulama gereksinimlerine göre optimal şekilde dağıtmasını sağlıyor. Sistem, kalite, maliyet ve gecikme kısıtları altında en iyi performansı hedefliyor. Bu yaklaşım, AI ajanlarının daha verimli ve maliyet-etkili çalışmasını mümkün kılarak, gerçek dünya uygulamalarında yaşanan kaynak israfını önemli ölçüde azaltma potansiyeline sahip. AgentOpt'un sunduğu istemci tarafı optimizasyon, AI ajanlarının endüstriyel adaptasyonunda kritik bir adım olarak değerlendiriliyor.