MIT ve Stanford araştırmacıları, sunucusuz bilişimin (serverless computing) en büyük sorunlarından birini çözen Nexus adlı yeni bir sistem geliştirdi. Mevcut sunucusuz mimarilerde her sanal makine, ağır iletişim altyapısını (SDK, RPC, TCP/IP) tekrarlamak zorunda kalıyor ve bu durum fonksiyonların bellek ayak izinin %25'inden fazlasını tüketiyor. Nexus, hesaplama işlemlerini giriş/çıkış (I/O) işlemlerinden şeffaf bir şekilde ayırarak bu sorunu çözüyor. KVM tabanlı bu yeni hiper yönetici, mevcut kod tabanlarıyla tam uyumluluk sağlarken performansı önemli ölçüde artırıyor. Bu gelişme, bulut bilişim sağlayıcılarının daha yoğun sunucusuz ortamlar kurmasına ve maliyetleri düşürmesine olanak tanıyacak.

Araştırmacılar, geleneksel yapay zeka öğrenme yöntemlerinden farklı olarak insan beyninin çalışma prensiplerini taklit eden yeni bir görsel tanıma modeli geliştirdi. Multi-Frequency Local Plasticity adı verilen bu sistem, beynin yerel öğrenme mekanizmalarından ilham alarak çalışıyor. Model, sabit Gabor filtreleri, rekabetçi öğrenme algoritmaları ve modern Hopfield ağlarını birleştiriyor. En dikkat çekici özelliği ise tüm sistem boyunca geri yayılım algoritması kullanmadan öğrenebilmesi. Bu yaklaşım, yapay zekanın daha az enerji tüketen ve biyolojik sistemlere daha yakın çalışma prensipleriyle geliştirilmesine olanak tanıyor. Araştırma, hem yapay zeka hem de beyin bilimi alanlarında önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, yapay zeka modellerinin ürettiği yanıtları değerlendirmek için yeni bir yöntem geliştirdi. Geleneksel sistemler her yanıtı ayrı ayrı inceleyerek zaman kaybına neden olurken, yeni yaklaşım birden fazla yanıtı tek seferde karşılaştırıp puanlayabiliyor. Bu yöntem, yanıtları özel ayırıcı tokenlarla birleştirerek doğrudan karşılaştırmalı akıl yürütme imkanı sunuyor. Sistem, N adet yanıt için N kat hızlanma ve hesaplama maliyetinde ciddi azalma sağlıyor. Araştırma kapsamında iki yeni benchmark oluşturuldu: MR²Bench-Image görsel içerik için 8 farklı modelin yanıtlarını insan değerlendirmeleriyle karşılaştırırken, MR²Bench-Video 94 bin kişinin video tabanlı soru-cevap değerlendirmelerinden oluşuyor. Bu gelişme, yapay zeka modellerinin performansını daha hızlı ve verimli değerlendirme imkanı sunarak, AI sistemlerinin geliştirilmesini hızlandırabilir.

Araştırmacılar, yazılımların boyutunu küçültmek için fonksiyon birleştirme tekniğini geliştiren yeni bir algoritma üzerinde çalışıyor. Mevcut yöntemler fonksiyonları doğrusal diziler halinde işlerken, yeni yaklaşım dal yapılarını yeniden düzenleyerek daha esnek eşleştirme imkanı sunuyor. Bu sayede benzer fonksiyonlar daha verimli şekilde birleştirilebiliyor ve kod tekrarı azaltılabiliyor. Ancak bu gelişmiş yöntem hesaplama karmaşıklığını artırıyor ve NP-zor bir problem haline getiriyor. Bilim insanları bu zorluğun üstesinden gelmek için parametreli algoritma yaklaşımını benimsiyor ve dallanma faktörü ile iç içe geçme derinliği gibi parametreleri inceliyor.

Skoltech ve Potsdam Üniversitesi araştırmacıları, genomun üç boyutlu yapısının nasıl organize edildiğini açıklayan yeni bir fiziksel teori geliştirdi. Polimer fiziği ve bilgisayar simülasyonları kullanarak, cohesin motorlarının DNA üzerinde oluşturduğu döngülerin yoğunluğunu hesaplamayı başardılar. Bu çalışma, her canlı hücrede DNA'nın nasıl paketlendiği ve organize edildiği konusunda önemli ipuçları sunuyor. Moleküler motorların tek başına nasıl karmaşık genom yapıları oluşturabildiğini gösteren bu keşif, hücre biyolojisi ve genetik alanında yeni ufuklar açıyor.

Araştırmacılar, yapay zeka ajanlarının davranışlarını daha etkili kontrol etmek için özel bir programlama dili geliştirdi. AgentSPEX adlı bu dil, mevcut sistemlerin karmaşıklık ve kontrol zorluklarını çözmeyi hedefliyor. Geleneksel yaklaşımlarda AI ajanları tek bir talimatla yönlendirilirken, yeni sistem açık kontrol akışları ve modüler yapılar sunuyor. LangGraph, DSPy gibi mevcut çerçeveler Python'a bağımlılık gösterirken, AgentSPEX daha esnek ve sürdürülebilir bir alternatif sunuyor. Sistem, tiplenmiş adımlar, dallanma, döngüler, paralel işlem ve yeniden kullanılabilir modüller gibi gelişmiş özellikler içeriyor. Bu gelişme, AI ajanlarının daha karmaşık görevlerde güvenilir şekilde çalışmasını sağlayabilir ve yazılım geliştirme süreçlerini kolaylaştırabilir.

Bilgisayar biliminde temel bir işlem olan aralık minimum sorguları (RMQ) için yeni bir yaklaşım geliştirildi. Araştırmacılar, alfabesi sınırlı dizilerde minimum değer arama işlemlerini daha verimli hale getiren kodlama yöntemleri tasarladı. Bu teknoloji, veri tabanı yönetimi, metin indeksleme ve hesaplamalı biyolojide kritik rol oynuyor. Özellikle pratik uygulamalarda karşılaşılan küçük alfabe boyutlu diziler için optimize edilmiş çözümler sunuyor. Hem tek boyutlu hem de iki boyutlu diziler için farklı sorgulama senaryoları analiz edilerek, alan karmaşıklığı açısından optimal sonuçlar elde edildi. Geliştirilen yöntemler, sabit boyutlu alfabeler için sabit zamanda sorgu yanıtlama imkanı sunuyor.

Araştırmacılar, büyük dil modellerinin belirli görevler için eğitimini daha verimli hale getiren TLoRA+ adlı yeni bir yöntem geliştirdi. Bu teknik, modellerin performansını artırırken hesaplama maliyetini minimum düzeyde tutuyor. ChatGPT ve benzeri büyük dil modellerinin özelleştirilmesi için kullanılan mevcut LoRA yöntemini geliştiren bu yaklaşım, daha az kaynak kullanarak daha iyi sonuçlar elde etmeyi mümkün kılıyor. GLUE benchmark testlerinde yapılan denemeler, yöntemin farklı model mimarilerinde tutarlı bir şekilde başarılı olduğunu gösterdi. Bu gelişme, yapay zeka modellerinin daha geniş kitlelere ve küçük şirketlere açılması açısından önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, dil modellerinin yanlış bildiği cevapları verdiği durumları tespit etmek için geliştirilen doğrusal prob tekniklerinde önemli ilerlemeler kaydetti. Tek katman prob yöntemlerinin kırılgan yapısına karşı, çok katmanlı ensemble yaklaşımının çok daha güvenilir sonuçlar verdiği ortaya çıktı. Özellikle aldatıcı davranışların tespitinde, bu yeni yöntem bazı test alanlarında başarı oranını %78'e kadar artırdı. Ayrıca, model büyüklüğü arttıkça tespit doğruluğunun da paralel şekilde yükseldiği gözlemlendi. Bu bulgular, yapay zeka güvenliği ve aldatma karşıtı sistemler için kritik öneme sahip.

Büyük dil modellerinin kritik yazılım sistemlerinde yaygın kullanımı, halüsinasyon ve sahte doğruluk tespitini önemli bir mühendislik sorunu haline getirdi. Araştırmacılar, mevcut güvenilirlik sistemlerinin yüksek gecikme ve hesaplama yükü getirdiği sorununa çözüm olarak 'Bilişsel Devre Kesici' adlı yeni bir framework geliştirdi. Bu sistem, modelin ileri geçiş sırasında gizli durumları analiz ederek, dışa yansıyan güvenle iç tutarlılık arasındaki 'Bilişsel Uyumsuzluk Delta'sını hesaplıyor. Böylece yapay zekanın güvenilirliği, dış kontrol mekanizmalarına ihtiyaç duymadan ve minimal gecikmeyle izlenebiliyor. Geleneksel yöntemler genellikle üretim sonrası kontrollere dayanırken, bu yaklaşım gerçek zamanlı ve içsel bir güvenilirlik monitoring sağlıyor.

Araştırmacılar, büyük veri tabanlarını daha küçük ve bağımsız parçalara ayırarak analiz etmeyi kolaylaştıran yeni bir matematiksel yöntem geliştirdi. Bu yaklaşım, özellikle eksik ve kusurlu verilerle çalışırken bilgi çıkarma sürecini optimize ediyor. Bulanık biçimsel kavram analizi çerçevesinde geliştirilen yöntem, modal operatörler kullanarak bağımsız alt-bağlamları tespit edebiliyor. Bu gelişme, makine öğrenmesi ve yapay zeka uygulamalarında veri işleme verimliliğini artırarak, gerçek dünya problemlerinin çözümünde önemli katkılar sağlayabilir. Özellikle büyük ölçekli veri analizinde karşılaşılan hesaplama karmaşıklığını azaltması açısından dikkat çekici.