Araştırmacılar, endüstriyel robotların navigasyon için pahalı LiDAR sensörlerine olan bağımlılığını ortadan kaldıran yeni bir sistem geliştirdi. Öğretmen-öğrenci yaklaşımı kullanan bu sistem, robotlara sadece kameralardan gelen görüntülerle güvenli navigasyon yapmayı öğretiyor. Sistem, önce LiDAR verisiyle eğitilen bir 'öğretmen' robotun bilgilerini, sadece dört RGB kamera kullanan 'öğrenci' robota aktarıyor. NVIDIA Isaac Lab simülasyon ortamında eğitilen sistem, gerçek DJI RoboMaster platformunda başarıyla test edildi. Bu gelişme, robotik alanında maliyet düşürücü bir devrim yaratabilir çünkü görme tabanlı navigasyon, geleneksel LiDAR sistemlerinden çok daha uygun maliyetli.

Stanford araştırmacıları, büyük dil modellerinin boyutunu dramatik şekilde azaltacak yeni bir teknik geliştirdi. DuQuant++ adlı yöntem, NVIDIA'nın yeni Blackwell işlemcilerinde desteklenen MXFP4 formatını kullanarak modelleri sıkıştırırken kalite kaybını minimize ediyor. Teknik, veri içindeki aykırı değerlerin neden olduğu sıkıştırma hatalarını akıllı döndürme algoritmaları ile çözüyor. Bu gelişme, yapay zeka modellerinin mobil cihazlarda ve daha düşük güçlü donanımlarda çalışmasını mümkün kılabilir.

Araştırmacılar, bilimsel hesaplama ve makine öğrenmesinin temelini oluşturan seyrek matris çarpımı işlemlerini büyük ölçüde hızlandıran yeni bir yöntem geliştirdi. AsyncSparse adlı bu sistem, modern GPU mimarilerinin eşzamansız özelliklerini kullanarak performansı dramatik şekilde artırıyor. Özellikle NVIDIA'nın Tensor Memory Accelerator teknolojisi ve warp uzmanlaşması gibi gelişmiş özellikleri kullanan yöntem, mevcut sistemlere göre 6 kata kadar performans artışı sağlıyor. Geliştirilen iki farklı çekirdek tasarımı, hem yapılandırılmış hem de düzensiz seyreklik türleri için optimize edilmiş çözümler sunuyor. Bu gelişme, yapay zeka hesaplamalarından bilimsel simülasyonlara kadar geniş bir uygulama yelpazesinde önemli hız kazanımları vaat ediyor.

Araştırmacılar, beş farklı açık kaynak kodlama yapay zekası modelini React Native mobil uygulama geliştirme görevinde test etti. Çalışmada Kimi-K2.5, GLM-5.1, Qwen3-Coder-480B ve DeepSeek-V3.2 modelleri NVIDIA GH200 donanımında karşılaştırıldı. Şaşırtıcı şekilde, teorik performans sıralamaları gerçek dünya görevlerindeki başarıyı öngöremedi. En düşük kaliteli sıkıştırmaya sahip Kimi-K2.5 modeli, SWE-Bench testlerinde daha yüksek puan alan rakiplerini geride bırakarak en eksiksiz ve kurallara uygun kodu üretti. Araştırma, yapay zeka kodlama araçlarının değerlendirilmesinde laboratuvar testleri ile gerçek dünya performansı arasındaki önemli farkları ortaya koyuyor.

Araştırmacılar, seyrek tensör cebirinde paralel işlem yükünü dengeli dağıtan ilk algoritmayı geliştirdiler. Seyrek tensörler, çoğunlukla sıfır değerli elemanlardan oluşan çok boyutlu veri yapıları olup, makine öğrenmesi ve bilimsel hesaplamalarda kritik öneme sahip. Ancak bu yapıların düzensiz ve veri-bağımlı doğası, paralel işlem birimlerine eşit iş yükü dağıtımını zorlaştırıyor. Yeni algoritma, mevcut paralel birleştirme yöntemlerini genelleştirerek çok operandlı ve çok boyutlu hiyerarşik seyrek veri yapılarıyla çalışabiliyor. Araştırmacılar algoritmayı mevcut bir derleme çerçevesine entegre ederek, çok çekirdekli CPU'lar ve GPU'lar için otomatik paralel kod üretimi sağladılar. Test sonuçları, üretilen kodun Intel MKL ve NVIDIA cuSPARSE gibi endüstri standardı kütüphanelerle rekabet edebilir performans gösterdiğini ortaya koyuyor. Bu gelişme, büyük veri işleme ve yapay zeka uygulamalarında önemli performans artışları sağlayabilir.

Araştırmacılar, yüksek performanslı bilgisayar kümelerinde enerji tüketimini optimize eden yeni bir sistem geliştirdi. EcoShift adlı bu framework, CPU ve GPU'ların birlikte çalıştığı sistemlerde güç sınırlamaları altında maksimum performans elde etmeyi hedefliyor. Mevcut sistemler adil paylaşım veya kullanım oranı gibi basit yaklaşımlar kullanırken, EcoShift her uygulamanın güç kısıtlamalarına olan duyarlılığını analiz ederek daha akıllı güç dağılımı yapıyor. Intel CPU ve NVIDIA A100/H100 GPU'larla yapılan testlerde, sistem mevcut teknolojilerden %6'ya kadar daha iyi performans gösterdi. Bu gelişme, enerji maliyetlerinin arttığı dönemde süper bilgisayarların daha verimli çalışmasını sağlayabilir.

Yapay zeka iş yüklerini güvenli bir şekilde işlemek için tasarlanan NVIDIA GPU Confidential Computing (GPU-CC) sistemi, araştırmacılar tarafından kapsamlı bir güvenlik analizine tabi tutuldu. Sistemin kapalı kutu yapısının zorluklarına rağmen, araştırma ekibi GPU-CC'nin mimarisini, önyükleme sürecini ve güvenlik mekanizmalarını başarıyla çözümledi. Bu çalışma, yapay zeka uygulamalarında veri güvenliğinin nasıl sağlandığına dair önemli bilgiler sunuyor. Özellikle CPU ve GPU arasındaki veri transferlerinin güvenliği konusunda yapılan deneysel çalışmalar, sistemin güven modelinin etkinliğini değerlendiriyor. Sonuçlar, yapay zeka güvenliği alanında çalışan araştırmacılar ve geliştiriciler için kritik öneme sahip.

Büyük dil modellerinin (LLM) hızla gelişmesiyle birlikte yapay zeka çiplerinin bellek ihtiyaçları dramatik şekilde artıyor. Bu modellerin farklı çalışma aşamaları - örneğin veri önyükleme ve kod çözme aşamaları - tamamen farklı bellek kapasitesi ve bant genişliği gereksinimleri ortaya koyuyor. Teknoloji devleri bu zorluğa NVIDIA'nın Vera Rubin platformu gibi heterojen hızlandırıcıları birleştiren sistemlerle yanıt veriyor. Ancak durum, SRAM, HBM, LPDDR gibi mevcut bellek teknolojilerinin yanı sıra yüksek bant genişlikli flash bellek gibi yeni seçeneklerin de devreye girmesiyle daha da karmaşıklaşıyor. Her teknoloji farklı kapasite, hız ve enerji tüketimi avantajları sunuyor. MemExplorer projesi, gelecek nesil yapay zeka çiplerinin optimal bellek mimarisini belirlemek için bu geniş tasarım alanında navigasyon sağlamaya odaklanıyor.

Araştırmacılar, yapay zeka çiplerinde kuantum kimyası hesaplamalarını büyük ölçüde hızlandıran yenilikçi bir yöntem geliştirdi. NVIDIA Tensor Core'lar gibi AI donanımlarında 8-bit tam sayı aritmetiği kullanan adaptif hassasiyet algoritması, yoğunluk uydurma methodunu önemli ölçüde hızlandırıyor. RTX 4090'da %204, RTX 6000 Ada'da ise %364'e varan hız artışları elde edilen çalışmada, hesaplama doğruluğundan taviz verilmiyor. Bu gelişme, AI donanımının bilimsel hesaplamalarda nasıl etkili kullanılabileceğini gösteriyor.