Astronomlar, yapay zeka algoritmaları kullanarak keşfettikleri güçlü gravitasyonel merceklerin detaylı spektroskopik analizini gerçekleştirdi. DESI Legacy Imaging Surveys verilerinde Residual Neural Networks (ResNet) ile tespit edilen bu sistemler, daha sonra Hubble Uzay Teleskobu ile görüntülenerek doğrulandı. Keck Gözlemevi'nin NIRES spektrometresi ve DESI enstrümanı kullanılarak yapılan gözlemler, bu merceklerin arkasındaki kaynak galaksilerin kırmızıya kayma değerlerini belirledi. Araştırmacılar sekiz hedef sistemden altısının kaynak kırmızıya kayma değerlerini başarıyla ölçtü. Bu değerler z=1.675 ile 3.332 arasında değişiyor ve evrenin oldukça erken dönemlerindeki galaksilere ışık tutuyor. Elde edilen veriler, gravitasyonel mercekleme modellemesi için kritik öneme sahip ve karanlık maddenin dağılımı hakkında değerli bilgiler sağlayacak.

Araştırmacılar, fotoğraflardan hava durumunu gerçek zamanlı olarak sınıflandırabilen üç farklı yapay sinir ağı mimarisi geliştirdi. Bu modeller güneşli, yağmurlu, karlı ve sisli hava koşullarını görüntülerdeki stil özelliklerini analiz ederek tespit edebiliyor. Çalışmada öne çıkan yaklaşımlar arasında çoklu yama boyutları kullanan Multi-PatchGAN, sadeleştirilmiş ResNet50 ve dikkat mekanizmalı Gram matrisi tabanlı model yer alıyor. Bu gelişme, meteoroloji uygulamaları, akıllı şehir sistemleri ve otonom araçlar için önemli bir adım teşkil ediyor. Özellikle görüntülerdeki ince stil detaylarını yakalayabilen bu sistemler, geleneksel hava durumu tahmin yöntemlerini destekleyici bir rol oynayabilir.

Araştırmacılar, prostat kanseri teşhisinde devrim yaratabilecek yeni bir yapay zeka sistemi geliştirdi. HBR-Net-18 adlı bu sistem, hibrit çok boyutlu MRG görüntüleme tekniğini yapay zeka ile birleştiriyor. İki aşamalı çalışan sistem, önce görüntülerdeki yoğunluk farklılıklarını düzeltiyor, ardından ResNet-18 ağını kullanarak kanserli dokuları tespit ediyor. Sistemin en önemli özelliği, hem 2D hem de 3D bilgileri aynı anda işleyebilmesi ve overlapping patch tekniğiyle daha tutarlı sonuçlar üretmesi. Bu teknoloji, prostat kanseri teşhisinde hekimlere güçlü bir destek sağlayarak erken tanı ve tedavi süreçlerini iyileştirebilir.

Araştırmacılar, meme kanseri teşhisinde çığır açan bir yapay zeka sistemi geliştirdi. Bu yenilikçi sistem, mikroskobik doku görüntülerini hasta sağlık kayıtlarıyla birleştirerek analiz ediyor. Çalışmada kullanılan ResNet-18 modeli, mükemmele yakın doğruluk oranı yakaladı. Geleneksel yöntemler bu iki veri türünü ayrı ayrı değerlendirirken, yeni sistem her ikisindan aldığı bilgileri harmanlayarak çok daha güvenilir sonuçlar üretiyor. Meme kanseri dünya genelinde kadınlarda en yaygın ölüm nedenlerinden biri olduğu için, erken ve kesin teşhis hayat kurtarıcı önem taşıyor. Bu teknolojik gelişme, doktorların tanı koyma sürecinde daha etkili araçlara sahip olmasını sağlayacak.

Araştırmacılar, video kayıtlarındaki arka plan görüntülerinden konum tespitine karşı koruma sağlayan PPEDCRF adlı yapay zeka sistemini geliştirdi. GPS verisi silinse bile, saldırganlar video karelerindeki arka plan ipuçlarını coğrafi etiketli referans görüntülerle eşleştirerek konumu belirleyebiliyor. Yeni sistem, dinamik koşullu rastgele alan algoritması kullanarak konuma duyarlı arka plan bölgelerini tespit ediyor ve sadece bu alanlarda kontrole Gaussian gürültü enjekte ederek konum bilgisini gizliyor. Test sonuçları, sistemin ResNet18 modelinin konum tespiti doğruluğunu %66.7'den %36.1'e düşürdüğünü, aynı zamanda görüntü kalitesini global gürültü yöntemlerine göre yaklaşık 6 dB daha iyi koruduğunu gösteriyor. Bu gelişme, kişisel gizliliğin korunması açısından önemli bir adım.

Araştırmacılar, derin sinir ağlarının matematiksel davranışını daha iyi anlayabilmek için yeni bir teorik çerçeve geliştirdi. ResNet mimarisi üzerinde çalışan bu model, ağların katmanlar arası gelişimini takip eden 'collective kernel effective field theory' adı verilen bir yaklaşım sunuyor. Çalışma, sonlu genişlikteki derin ağlarda empirical kernel'in nasıl stokastik olarak evrimleştiğini inceliyor ve bu süreç için yeni matematiksel denklemler türetiyor. Araştırmacılar, Gaussian yaklaşımları kullanarak sürekli derinlik ODE sistemleri elde etmiş ve bu sistemlerin geçerlilik sınırlarını belirlemiş. Bulgular, ortalama kernel değerinin tüm derinliklerde doğru kalırken, kernel kovaryansının sonlu zamanlarda hata biriktirdiğini gösteriyor.

Araştırmacılar, görüntü sınıflandırma yapay zeka modellerinin eğitim sırasında hangi bilgileri unuttuğunu inceledi. ResNet-18 ve DeiT-Small mimarilerini göz hastalıkları ve kuş türleri veri setleri üzerinde test eden çalışma, farklı yapay zeka mimarilerinin tamamen farklı örnekleri unuttuğunu keşfetti. Vision Transformer (ViT) modellerinin unutma süreçlerinin CNN'lere göre daha düzenli olduğu, ancak her iki mimaride de unutmanın rastgele faktörlerden etkilendiği belirlendi. Bu bulgular, yapay zeka eğitim programlarının tasarımı, veri temizleme süreçleri ve farklı modellerin birlikte kullanılması konularında önemli ipuçları sunuyor.