Bilim insanları, beynin elektriksel aktivitesini anlamamızı sağlayacak yeni bir yapay zeka modeli geliştirdi. EEG mikro-durumu analizi, sürekli beyin aktivitesini kısa süreli kararlı yapılar halinde bölerek farklı beyin fonksiyonlarını ortaya çıkarır. Geleneksel yöntemler katı sınıflandırma kullanırken, yeni Conv-VaDE modeli hem görüntü yeniden oluşturma hem de olasılıksal kümeleme öğrenir. Bu yaklaşım, beyin durumlarının kafa derisi haritalarına dönüştürülmesine olanak tanıyarak şeffaflığı artırır. Model, 3-20 arası küme sayısı ve farklı parametrelerle test edilerek en optimal yapı aranıyor.

Bilgisayar bilimciler, son yıllarda görüntü analizi ve nesne tanıma konusunda etkileyici başarılar elde eden yapay zeka sistemleri geliştirdiler. Bu sistemler fotoğrafları hızla kategorilere ayırabiliyor, nesneleri ve yüzleri tanıyabiliyor, doğru tahminler yapabiliyor. Ancak araştırmacılar şimdi daha da ileri gidiyorlar: İnsan öğrenme süreçlerinden ilham alan yeni bir yaklaşım, bilgisayarla görü modellerinin eğitim sürecini devrim niteliğinde değiştirebilir. Bu yenilikçi pipeline, geleneksel makine öğrenmesi yöntemlerinin ötesine geçerek, yapay zeka sistemlerinin daha verimli ve etkili şekilde öğrenmesini sağlıyor. İnsan beyninin görsel bilgiyi işleme biçiminden esinlenen bu yaklaşım, yapay zeka teknolojisinin gelecekteki gelişimi için önemli bir adım teşkil ediyor.

Bilim insanları, beynin görsel deneyimlerini dış dünyaya aktarma konusunda önemli bir engeli aştı. Beyin-görüntü çevirisi teknolojisinin en büyük sorunu, sınırlı eğitim verileriyle çalışmak zorunda kalmasıydı. Araştırmacılar, iki farklı matematiksel yaklaşımı karşılaştırarak, seyrek regresyon yönteminin geleneksel yöntemlerden çok daha başarılı olduğunu keşfetti. Bu yöntem, az sayıda beyin-görüntü çifti ile eğitildiğinde bile, daha önce hiç görmediği uyaranlara karşı görüntü üretebiliyor. Çalışma, 'çıktı boyut çöküşü' olarak adlandırılan temel sorunu çözerek, beyin sinyallerinden görüntü reconstürüksiyonu alanında yeni ufuklar açıyor.

Günümüzün yapay zeka sistemleri görüntüleri tanımlayabiliyor, nesneleri ayırt edebiliyor ve karmaşık ilişkileri açıklayabiliyor. Görsel-dil modelleri olarak adlandırılan bu sistemler, metin ve görüntü anlayışını etkileyici şekillerde birleştiriyor. Ancak şaşırtıcı bir şekilde, görünüşte basit olan sayma işleminde zorlanıyorlar. Hof Uygulamalı Bilimler Üniversitesi araştırmacıları, yapay zekanın bu temel eksikliğini gidermek için yeni çalışmalar yürütüyor. Bu durum, AI teknolojisinin hızla gelişmesine rağmen bazı temel bilişsel yeteneklerde hala sınırları olduğunu gösteriyor.

Araştırmacılar, sadece 3-4 milyar parametreye sahip küçük yapay zeka modellerinin, özel eğitim teknikleriyle radyoloji alanında büyük modeller kadar başarılı olabileceğini gösterdi. RadLite projesi kapsamında geliştirilen bu modeller, hastane bilgisayarlarında bile çalışabilecek kadar hafif olmasına rağmen, tıbbi görüntü analizi, hastalık tespiti ve rapor yazma gibi 9 farklı radyoloji görevinde yüksek performans sergiledi. Özellikle RADS sınıflandırmasında %53, doğal dil anlamada %60, N-evrelendirmede %89 oranında performans artışı elde edildi. Bu gelişme, kaynak kısıtlı sağlık kurumlarının da yapay zeka destekli radyoloji hizmetlerinden faydalanmasının önünü açıyor.

Variational Mode Decomposition (VMD) tekniğinde karşılaşılan temel bir sorun çözülüyor. Araştırmacılar, karmaşık sinyallerdeki doğal mod sayısının otomatik olarak belirlenmesi için yeni bir matematiksel çerçeve geliştirdi. Bu yöntem, spektral kesme eğrileri kullanarak sinyal işlemede önemli bir ilerleme sağlıyor. Geleneksel yaklaşımlar deneme yanılma yöntemleriyle çalışırken, yeni sistem teorik yakınsama garantisi sunuyor. Bu gelişme, ses işlemeden görüntü analizine kadar birçok alanda uygulanabilecek potansiyele sahip.

Sırtındaki Çince dövmenin ne anlama geldiğini öğrenmek isteyen bir kadın, dilbilimcilerden yardım istedi. Language Log'un uzmanları, görüntü kalitesinin düşük olması nedeniyle zorlanmalarına rağmen, sonunda dövmedeki karakterleri deşifre etmeyi başardı. Olay, farklı alfabelerdeki dövmelerin doğru çevrilmesinin ne kadar önemli olduğunu ve dilbilim uzmanlarının günlük hayattaki pratik rolünü gösteriyor. Çince, Japonca veya Arapça gibi farklı yazı sistemlerindeki dövmeler, kültürlerarası iletişimde sıkça yaşanan anlam karmaşalarına örnek teşkil ediyor.

Penn State Üniversitesi ve Loughborough Üniversitesi'nden araştırmacılar, bilgisayarlı görü teknolojisi kullanarak sanat eserlerindeki fırça darbelerini analiz eden yenilikçi bir yöntem geliştirdi. Bu interdisipliner çalışma, çıplak gözle fark edilmesi zor olan binlerce küçük fırça darbesinin yönünü ve yapısını görünür kılarak, sanatçıların eserlerini nasıl yarattığına dair yeni perspektifler sunuyor. Geliştirilen görüntü analizi tekniği, sanat tarihçilerine ve araştırmacılara klasik tabloların teknik detaylarını daha iyi anlama fırsatı veriyor.

Araştırmacılar, farklı bilim alanlarında uzmanlaşmış yapay zeka modellerini bir araya getiren 'Eywa' adlı yeni bir çerçeve geliştirdi. Mevcut dil tabanlı yapay zeka sistemleri, sadece metin verilerle çalışabilme kısıtlılığı nedeniyle birçok bilimsel problemi çözmekte yetersiz kalıyor. Eywa, bu sorunu çözmek için alan spesifik temel modelleri dil modellerinin akıl yürütme yetenekleriyle birleştiriyor. Bu sayede görüntü, ses, sensör verileri gibi farklı türdeki bilimsel veriler üzerinde çalışan özelleşmiş modeller, daha üst düzey karar verme süreçlerine dahil olabiliyor. Sistem, bilimsel araştırmalarda kullanılan çeşitli veri türlerini anlayabilen ve bunlar arasında koordinasyon kurabilen akıllı ajanlar oluşturmayı mümkün kılıyor.

Araştırmacılar, görüntü-dil modellerinin (VLM) iki farklı açıdan çekilen fotoğraflar arasındaki kamera pozisyonunu tahmin etme becerisini test ettiler. Sonuçlar, bu gelişmiş AI sistemlerinin uzamsal akıl yürütme konusunda beklenenden çok daha zayıf olduğunu ortaya koydu. İnsanların %91 başarı gösterdiği testlerde, en iyi yapay zeka modeli ancak %66 başarıya ulaşabildi. Özellikle kameranın döndürülmesi ve derinlik değişimleri gibi karmaşık hareketlerde AI modelleri neredeyse rastgele tahminler yaptı. Bu bulgular, günümüz yapay zeka teknolojilerinin görsel-uzamsal anlama yeteneklerindeki önemli sınırları gözler önüne seriyor.

Araştırmacılar, görüntülerde kenar tespiti yapabilen tamamen kuantum tabanlı yeni bir algoritma geliştirdi. Bu algoritma, gri tonlamalı görüntüleri Novel Enhanced Quantum Representation (NEQR) tekniğiyle kodlayarak, komşu piksellerin yoğunluk değerleri arasındaki farkları kuantum devrelerinde hesaplayabiliyor. Geleneksel edge detection algoritmalarından farklı olarak, bu yaklaşım tamamen kuantum hesaplama prensipleriyle çalışıyor ve polynomial zamanda iyileşmeler sunuyor. Algoritma, piksel yoğunluklarını süperpozisyon durumunda işleyerek gradyan tabanlı kenar tespiti gerçekleştiriyor ve yön farkında kaydırma mekanizması kullanarak doğruluğu artırıyor. Bu gelişme, kuantum görüntü işleme alanında önemli bir adım teşkil ediyor.